PROYECTO FINAL DE CARRERAupcommons.upc.edu/bitstream/handle/2099.1/15216/Memoria.pdf · PROYECTO FINAL DE CARRERA Sistema de detección de incendios forestales utilizando técnicas

PROYECTO FINAL DE CARRERA

Sistema de detección de incendios

forestales utilizando técnicas de procesado

de imagen

(Wildfire detection system using image

processing tools)

Estudios: Ingeniería de Telecomunicaciones

Autor: David Martín-Borregón Domènech

Directora: Montse Pardàs Feliu

Año: 2011-2012

3 Sistema de detección de incendios forestales utilizando técnicas de procesado de imagen

Índice general

Índice general ............................................................................. 3

Colaboraciones ............................................................................ 5

Agradecimientos .......................................................................... 6

Resumen del Proyecto .................................................................. 7

Resum del Projecte ...................................................................... 8

Abstract ..................................................................................... 9

1 Introducción ......................................................................... 10

1.1 Contexto del proyecto ..................................................... 10

1.2 Objetivos ...................................................................... 11

1.3 Estructura de la memoria ................................................ 11

2 Estado del arte ...................................................................... 13

2.1 Métodos de control ......................................................... 13

2.1.1 Cámaras terrestres ................................................... 13

2.1.2 Vehículos aéreos ....................................................... 15

2.1.3 Satélites artificiales ................................................... 16

2.2 Técnicas de detección en función del sensor ....................... 17

2.2.1 Sensor de infrarrojos ................................................. 18

2.2.2 Sensores de espectro visible ....................................... 21

2.2.3 Otros sensores ......................................................... 26

2.3 Sistemas comerciales disponibles ..................................... 27

3 Detección de fuego ................................................................ 28

3.1 Detección de fuego mediante su color. .............................. 29

4 Detección de humo ................................................................ 34

4.1 Sustracción de fondo ...................................................... 35

4.1.1 Modelo de fondo con una Guassiana adaptativa ............. 37

4.1.2 Modelo de imagen con varias Gaussianas ..................... 43

4.1.3 Consideraciones en la aplicación del modelo de imagen .. 50


4.1.4 Resultados de la sustracción de fondo .......................... 59

4.2 Eliminación de movimientos rápidos ................................. 61

4.2.1 Filtraje temporal paso bajo ......................................... 62

4.2.2 Filtro temporal de mediana ......................................... 63

4.2.3 Detección continua .................................................... 64

4.2.4 Conclusiones y resultados .......................................... 65

4.3 Detección por color ........................................................ 66

4.3.1 Método de comparación y validación ............................ 67

4.3.2 Valor del píxel .......................................................... 69

4.3.3 Variación de color ..................................................... 72

4.3.4 Combinación de parámetros ....................................... 76

4.3.5 Conclusiones de la clasificación por color ...................... 77

4.4 Análisis de componentes conexas ..................................... 78

4.5 No aprendizaje .............................................................. 80

4.6 Resultados de la detección de humo ................................. 84

4.6.1 Base de datos ........................................................... 84

4.6.2 Condiciones del experimento ...................................... 88

4.6.3 Resultados cuantitativos y cualitativos ......................... 90

4.7 Conjunto y posibles mejoras ............................................ 94

5 Conclusiones finales del trabajo ............................................... 97

6 Anexo: Entrevista a un vigía forestal. ...................................... 100

7 Referencias .......................................................................... 104


Colaboraciones

Departament de teoria del senyal y comunicacions

Grup de processat de imatge y vídeo.

Empresa ADTelecom


Agradecimientos

El presente proyecto final de carrera ha sido dirigido por Montse

Pardàs, quisiera darle las gracias por su ayuda y por las directrices que ha

marcado, que han llevado al proyecto a buen puerto. Además también

quisiera agradecerle que ella y Josep Vidal confiaran en mí para la

realización de este proyecto.

Quisiera mencionar a la empresa ADTelecom ya que sin su colaboración

con la Universitat Politècnica de Catalunya este proyecto no hubiese

existido nunca.

No me gustaría olvidarme del profesor de la Universidad de Blikent

(Turquía) Enis Cetin, quien no solo proporcionó la base de datos sobre la

que se ha podido realizar el algoritmo de detección, sino que además sus

estudios en detección de fuego han resultados de gran ayuda.

Quisiera agradecer a Eduard Gonzalez Castel la entrevista que me

concedió como vigía forestal, su testimonio resultó de gran ayuda. Puede

ser leída en el anexo.

También quisiera dar las gracias a mi familia por su apoyo e interés

durante la realización del proyecto, sin ellos este proyecto me hubiera

sido mucho más difícil llevarlo a cabo.

Finalmente agradecer este trabajo a todos mis amigos que me han

animado. Muchas gracias a todos.


Resumen del Proyecto

El objetivo de este proyecto final de carrera es plantear las bases para

crear un sistema de detección automática de incendios forestales

mediante la utilización de técnicas de procesado de imagen.

El proyecto se inicia con un estudio de los sistemas actuales de

detección automática de incendios forestales que incluye los diferentes

métodos de control utilizados, las técnicas de detección en función del

sensor y los sistemas comerciales disponibles.

A partir del estudio inicial se proponen dos métodos para la detección

de incendios forestales uno basado en la detección de fuego y otro basado

en la detección de humo.

La detección de fuego es sencilla y permite identificar con rapidez si

una imagen es susceptible de contener fuego o no, su principal

inconveniente es que cuando una cámara detecta fuego el incendio ya

está en una fase avanzada.

La detección de humo, en cambio, permite detectar incendios forestales

desde el principio pero la complejidad es mayor. Para su realización se

propone un algoritmo que incluye: sustracción de fondo, filtraje de

elementos rápidos, detección por color y análisis de componentes

conexas.

Una vez analizados los sistemas de detección de incendios forestales el

proyecto expone los resultados de la detección de humo y se plantean

posibles mejoras. Finalmente en base a todo lo expuesto se extraen las

conclusiones al proyecto.


Resum del Projecte

L‟objectiu de aquest projecte final de carrera es plantejar las bases de

per crear un sistema de detecció automàtica de incendis forestals

mitjançant la utilització de tècniques de processat de imatge.

El projecte comença amb un estudi de tots els sistemes actuals per la

detecció automàtica de incendis que inclou els diferents mètodes de

control, las tècniques de detecció en funció del sensor y els sistemes

comercials disponibles.

A partir de l‟estudi inicial es proposen dos mètodes per la detecció de

incendis forestals un basat en la detecció de foc y un altre basat en la

detecció de fum.

La detecció de foc es senzilla y permet identificar ràpidament si una

imatge es susceptible de contenir foc o no, el principal inconvenient que

té es que quan una càmera detecta foc l‟incendi ja es troba en fase

avençada.

La detecció de fum, en canvi, permet detectar incendis forestals des de

el inici però té més complexitat. Per la seva realització es proposa un

algoritme que inclou: sostracció de fons, filtratge de elements ràpids,

detecció de color y anàlisis de components connexes.

Un cop analitzats els sistemes de detecció de incendis forestals el

projecte acaba amb els resultats de la detecció de fum y es proposen

possibles millores. Finalment en base a tot lo exposat s‟extreuen les

conclusions al projecte.


Abstract

The goal of this project is to set the bases for a wildfire detection

system using image processing tools.

The project starts with a wide study of the nowadays fire detection

systems. It includes control methods, detection techniques according to

the sensor and commercial systems.

Using this study as a starting point we propose two methods of wildfire

detection. The first one based on fire detection and the second one based

on smoke detection.

Fire detection is easy and it allows fast identification of fire in an image.

The problem of the fire detection is that fire can only be seen from a

camera when the wildfire is already quite large.

Otherwise Smoke detection allows detecting wildfire from its start;

however it has much more complexity. The smoke detection algorithm

includes: Background subtraction, fast elements filtering, color detection

and connected components analysis.

Once the wildfire detection system has been analyzed, we finish the

project with the smoke detection results and possible upgrades. The

project ends with the conclusions.


1 Introducción

1.1 Contexto del proyecto

Países como España, Grecia o Italia son ejemplos de clima

mediterráneo. En estas regiones la pluviosidad es escasa y las

temperaturas son suaves en invierno y cálidas en verano. La vegetación

resultante del estrés hídrico es abundante en matorrales y con arboles no

muy altos pero robustos como la encina o el pino.

Debido a la escasez de lluvia, el clima mediterráneo es muy susceptible

de padecer incendios forestales, por ejemplo, en España se queman de

media 113.847 hectáreas de masa forestal al año debido a incendios

forestales. (Ministerio de Agricultura y medio ambiente 2011).

La masa forestal quemada cada año sería mucho mayor si no hubiese

un esfuerzo por parte de la administración en prevención, detección y

extinción de incendios. Gracias a estas tareas menos del 0,2% de las

alarmas detectadas cada año terminan en “gran incendio forestal” (mayor

a 500 hectáreas).

Para evitar que una alarma termine en “gran incendio forestal” hay tres

acciones principales:

Prevención: La prevención consiste en evitar que se provoquen

incendios forestales y minimizar sus consecuencias en caso que

se produzcan. Incluye acciones tales como campañas de

sensibilización, quemas preventivas, o realización de cortafuegos.

Detección: Consiste en alertar con la mayor rapidez posible de un

incendio para poder empezar con su extinción. Los vigías

forestales hacen de esta detección una profesión. (ver anexo

entrevista a un vigía forestal).

Extinción: Es la acción contra el fuego que permite terminar con

un incendio forestal, hay amplios estudios sobre ello pero en

general consisten en eliminar alguno de los tres elementos del

triángulo del fuego: combustible (vegetación), comburente

(oxígeno), y energía (calor).

De entre las tres acciones principales contra el fuego (Prevención,

detección y extinción) este trabajo se centrará en facilitar la tarea de


detección de incendios forestales mediante técnicas de procesado de

imagen.

La aplicación de procesado de imagen para video-vigilancia es un

campo ampliamente estudiado. La utilización del procesado de imagen

para la detección de incendios, debe intentar aplicar los conocimientos

que se poseen en procesado de imagen para video-vigilancia en detección

de incendios forestales.

1.2 Objetivos

Los objetivos que se han planteado en este proyecto son:

1. Estudiar el estado actual de la detección automática de incendios

forestales: Hacer una recopilación de artículos académicos y

sistemas comerciales sobre la detección automática de incendios.

Entender cómo funcionan, que técnicas se utilizan, y si su aplicación

es satisfactoria o no.

2. Plantear las bases de un algoritmo que sea capaz de detectar

incendios forestales: basándose en los algoritmos estudiados y en

los conocimientos de procesado de imagen, proponer un algoritmo

que sea capaz de detectar incendios forestales. Se han estudiado

dos métodos diferentes:

o Detección de incendios forestales a partir de la localización de

fuego

o Detección de incendios forestales a partir de la localizació de

humo.

3. Conseguir resultados usando el algoritmo sobre una base de datos:

programar y testear el algoritmo planteado para conseguir buenos

resultados en detección de incendios forestales.

4. Proponer mejoras sobre los algoritmos planteados para que el

sistema de detección pueda ser mejorado por terceros.

1.3 Estructura de la memoria

La memoria se estructura en 5 capítulos: Introducción, estado del

arte, detección de fuego, detección de humo y conclusiones.


Una vez terminada la introducción en el estado del arte se estudia

el estado actual de la detección automática de incendios

separándolo en tres apartados principales: Métodos de control,

técnica de detección y sistemas comerciales. El capitulo explica el

estado actual de los sistemas de detección automática.

La memoria continúa con el capítulo 3, explicando el algoritmo

propuesto para la detección de fuego y la justificación de la

priorización de la detección de humo. Es un capítulo breve ya que la

detección de fuego es sencilla y a la vez no es prioritaria.

A continuación, viene el capítulo más extenso (capítulo 4) donde

se explica el algoritmo para la detección de humo. Este capítulo

tiene un apartado para cada bloque del algoritmo, uno de

resultados y uno final que cierra la explicación. En el capítulo se

explica todo el algoritmo escogido y se exponen las alternativas que

puede tener.

La memoria termina con las conclusiones finales del proyecto, un

anexo en el que se entrevista a un vigía forestal -que complementa

el contexto del trabajo- y finalmente las referencias del trabajo.


2 Estado del arte

La detección automática de incendios forestales ha sido un tema de

interés desde que se dispone de herramientas tecnológicas que permiten

llevarla a cabo. Además, los continuos avances tecnológicos permiten que

la detección sea cada vez más precisa.

En la literatura académica existen diversidad de estudios que proponen

técnicas de detección automática de incendios. Se describen los diferentes

métodos de control en función de la situación de los sensores, las

diferentes técnicas de detección que a su vez dependen del tipo de sensor

utilizado y finalmente se describen los sistemas comerciales disponibles.

2.1 Métodos de control

Para poder realizar una detección y seguimiento del fuego es necesario

tener un control sobre la zona de fuego potencial. Este control se puede

hacer utilizando tres métodos distintos (San-Miguel-Ayanz and Ravail 2005):

2.1.1 Cámaras terrestres

En nuestro territorio ha existido desde siempre una tradición en la

profesión de vigía forestal. Él es el encargado de observar el bosque

desde torres de vigía situadas en puntos muy elevados, que permiten el

control de extensas áreas de bosque.

Figura 1: Torre de vigía en el parque natural del Montnegre y el Corredor

Estas infraestructuras pueden ser aprovechadas insertando un sensor

que permita controlar el área potencial de fuego, (el tipo de sensor se

trata en la sección 2.2). Los sensores pueden estar dotados de motores


que les permitan hacer un barrido de la región, pero dotar a la cámara de

motricidad complica el proceso de detección automática.

Al aplicar técnicas de detección automática se diferencia entre dos

arquitecturas: una distribuida, en la que cada torre realiza su detección y

en caso de alarma lo comunica a una central, y otra centralizada, en la

que las torres envían las imágenes en tiempo real, y la central realiza el

procesado de alarma (Rodriguez silva and Moreno Robles 2006).

Para la comunicación de la torre con la central se puede usar la red de

telefonía móvil (GPRS, UMTS y GSM), pero su uso es limitado, debido a la

necesidad de usar grandes anchos de banda y a que las zonas forestales

acostumbran a tener problemas de cobertura. Otra opción es el uso de

redes inalámbricas privadas MAN o LAN, como las que ofrecen las

tecnologías WiFi o WiMAX. Cabe destacar la posibilidad de usar Redes de

sensores inalámbricas (WSN) que permiten la conexión entre bases en

forma de red y gastando poca energía. Finalmente, en áreas donde los

sensores estén muy alejados entre sí, se suelen usar comunicaciones

mediante radio-enlaces o cable.

Uno ejemplo de sistema de detección basado en cámaras terrestres es

el proyecto DISTER(2001) aplicado en la Albufera de Valencia, el proyecto

diseñado por la Universidad Politécnica de Valencia empezó a funcionar en

el 2003 con colaboración del Ayuntamiento de Valencia y el cuerpo de

bomberos. Mediante las cámaras infrarrojas se realiza un control de

temperatura; al detectar posibles problemas se informa a un técnico en

una central que comprueba con una cámara de TV la posibilidad de

incendio, filtrando las falsas alarmas. En 2010 empezó DISTER II con

objeto de mejorar su predecesor, usando tecnologías WIMAX, y un

software de control más preciso (Ajuntament de valencia ; Servicio de bomberos,

prevención e intervención en emergencias 2010).

Otro caso español a mencionar es el de “Explora en Encín”

implementado en Alcalà de Henares, (Lloret, et al. 2009) donde testearon

una red inalámbrica de sensores, mediante tecnologías 802.11g, para

detección de incendios. Su propuesta basada en pequeñas bases

independientes, alimentadas por paneles solares, prevé la verificación

automática de la alarma de un sensor mediante otros sensores cercanos.

Este tipo de arquitectura ha sido ampliamente discutido e implementado

en más sitios como Corea del Sur (Byungrak, Yong-sork and Jung-Gyu 2006).

Uno de los sistemas de mayor envergadura es el sistema SITHON

(Tsiourlis, Andreadakis and Konstantinidis 2009), que se volverá a comentar en la


sección 2.1.2 (Vehículos aéreos) SITHON es un proyecto griego,

destinado a la detección de fuegos en la península de Sithonia en Grecia

(514 km2). Una parte del proyecto consiste en detectar incendios

mediante cámaras infrarrojas y de espectro visible, conectadas a una

central de operaciones mediante radio-enlaces desde donde se detecta y

monitoriza el fuego. En la Figura 2 vemos el posicionamiento de las

cámaras en la península así como la capacidad de detección del sistema:

Figura 2: posicionamiento de cámaras y capacidad de detección del sistema de cámaras fijo de SITHON

2.1.2 Vehículos aéreos

Los vehículos aéreos se han usado tradicionalmente para el control y

extinción del fuego, pero el uso de vehículos aéreos para la detección no

es tan común. Existe algún precedente no automático de detección, por

ejemplo en verano del 2006 cuando la Guardia Civil sobrevoló bosques

gallegos en búsqueda de focos de incendios.

La principal ventaja de los vehículos aéreos es que permiten libertad y

movilidad. Esta libertad permite mejorar la detección con respecto a

sensores estáticos, pero obliga a que el proceso de detección sea más

complejo.

El grupo ICARIUS de la Universitat Politècnica de Catalunya, propone

un sistema (Pastor, et al. 2010 ) para dotar a los helicópteros de control de

incendios de la Generalitat de Catalunya con sensores infrarrojos

(térmicos y cercanos) y cámaras de espectro visible para detectar y

monitorizar fuegos. El sistema contempla la comunicación con otros

vehículos (terrestres y aéreos), la central de operaciones y si se diera el

caso, satélites.


El sistema SITHON (Kontoes, et al. 2009), ya comentado en la sección

2.1.1 (Cámaras terrestres), es un ejemplo combinado de detección y

monitorización del fuego mediante cámaras fijas, aviones para la

extinción de incendios, helicópteros y vehículos aéreos no tripulados. En

la Figura 1 vemos un esquema de funcionamiento del sistema.

Figura 3: Esquema básica de implementación del sistema SITHON

Uno de las aéreas de interés en este campo son los vehículos aéreos no

tripulados (UAV's), que permiten sobrevolar áreas potenciales de incendio

con un coste menor. Hay algunos ejemplos aplicados a la detección de

incendio, cómo el proyecto SKY-EYE (Pastor Llorens, et al. n.d.) del grupo ICARIUS

de la UPC o el proyecto Ikhana (Ambrosia, et al. 2010) desarrollado por la

NASA y que opera en la costa Oeste americana (Figura 4).

Figura 4: Avión encargado de la detección y control de incendios forestales dentro del

proyecto Ikhana

2.1.3 Satélites artificiales

Otro método de control de incendios forestales es la observación

mediante satélites artificiales. Aunque éstos tienen un elevado coste

permiten abarcar extensas áreas de terreno, y además pueden realizar


otras funciones que permiten amortizar su coste. Normalmente siguen

órbitas geoestacionarias, pero también pueden seguir otras órbitas que

permitan realizar un rastreo global.

Uno de los primeros ejemplos de control de inencendios forestales

mediante satélites artificiales controla los bosques boreales de Canadá (Li,

Nadon and Cihlar 2000) desde el año 1994 mediante un satélite. El sistema

se basa en la toma de 800 imágenes AVHRR (Advanced very high

resolution radiometer) al día. Consigue detectar la mayoría de fuegos,

exceptuando aquellos que quedan ocultos bajo las nubes.

La NASA tiene dos satélites: Terra (EOS AM) y Aqua (EOS PM) que

recorren la superficie de la tierra cada uno o dos días. Los satélites están

equipados con un instrumento llamado MODIS que adquiere 36 bandas

espectrales diferentes, y está operado con la ayuda del grupo FOREST del

Joint Research Center. Este amplio análisis espectral permite, entre otros,

la detección de fuegos con ratios de detección del 82%.

Figura 5: ejemplo del tipo de detección realizado mediante el satélite MODIS

Un ejemplo europeo de aplicación de este método es la constelación de

satélites COSMO-SkyMED. El sistema, patrocinado por la Agencia Espacial

Italiana, está compuesto por cuatro satélites desfasados 90º en órbitas

síncronas al sol (heliosíncrona) que monitorizan todo el planeta. El último

satélite (COSMO-4) lanzado en noviembre del 2010 permite, entre otras

nuevas características, la detección de fuego.

2.2 Técnicas de detección en función

del sensor

Independientemente del método de control se pueden usar diferentes

técnicas de detección de incendios en función del sensor usado. En el área


de procesado de imagen que trata este trabajo, destacamos el uso de

cámaras infrarrojas y el de cámaras RGB del espectro visible. Ambas

técnicas - aunque se analizan independientemente - pueden trabajar

conjuntamente en sistemas híbridos.

2.2.1 Sensor de infrarrojos

Todos los objetos emiten radiación infrarroja (IR) en función de su

temperatura, esta radiación viene definida por la ley de Plank, que

conecta el flujo energético y la longitud de onda:

𝑀𝑇,𝜆 =2𝜋𝑕𝑐2

𝜆5 𝑒𝑕𝑐

𝜆𝑘𝑇 − 1

(2.1)

El comportamiento de la ley de Plank, como se podrá observar en la

Figura 6¡Error! No se encuentra el origen de la referencia., tiene un

máximo en su función dependiente de la temperatura. Esta dependencia

viene definida por la ley de Wien:

𝜆𝑚𝑎𝑥 =2898 𝜇𝑚 · 𝑘

𝑇 (2.2)

Los fuegos emiten radiación en la banda de infrarrojos de forma muy

similar a un cuerpo negro. Esta radiación, tiene una distribución

estadística definida por la ley de Plank que depende de la propia

temperatura del fuego. Se puede observar este comportamiento en la

siguiente figura:

Figura 6: Radiación de un cuerpo negra a diferentes temperaturas


El uso de bandas infrarrojas para la detección de fuego es uno de los

métodos más usados. Al clasificar las cámaras infrarrojas distinguimos

entre tres bandas de radiación distintas:

Infrarrojo cercano (0,78 µm – 1,1 µm)

Infrarrojo medio o térmico (1.1 µm – 15 µm)

Infrarrojo lejano (15 µm – 100 µm)

Si se considera la radiación como la de un cuerpo negro, la mejor

banda para detectar fuegos es la banda media. Aunque esta banda

presenta problemas con la radiación infrarroja del Sol (9,7µm) no los

presenta con la radiación base infrarroja de la tierra (0,5 µm).

Otro factor a tener en cuenta es la absorción atmosférica, destacable

cuando el origen del fuego es lejano a la cámara. La absorción

atmosférica es producida por las partículas del aire (H2O, CO2, O2, O3,

CO2O3,…) que absorben aquellas bandas energéticas en las que presentan

resonancia. En la banda media la absorción atmosférica no es tan grande

cono en la lejana o en la cercana, factor a tener en cuenta en largas

distancias.

La utilización de algoritmos basados exclusivamente en umbrales sobre

la temperatura de radiación es un buen método en altas latitudes, pero en

latitudes mediterráneas se ha comprobado que la vegetación puede llegar

a radiar a temperaturas muy altas y confundir los algoritmos basados en

un umbral fijo (San-Miguel-Ayanz and Ravail 2005) .

Para mejorar los algoritmos anteriores se pueden usar métodos

contextuales (Martinez-de Dios and Ollero 2002) donde los algoritmos buscan

altas temperaturas sobre su entorno adaptándose a él. Estos métodos

consiguen menos falsas alarmas que los basados únicamente en un

umbral. Pero nubes, radiación del sol, reflexiones, luces artificiales,

combustiones controladas (áreas de camping o quema de matojos),

chimeneas y motores pueden provocar confusiones al algoritmo creando

falsas alarmas.

Hay algoritmos destinados a la reducción de falsas alarmas. Un ejemplo

propuesto desde la universidad de Sevilla (Arrue, Ollero and Matinez de Dios

2000) consiste en determinar el tamaño, movimiento y oscilación del

posible fuego; características que se introducen junto con la posición

topográfica y los datos meteorológicos en una red neuronal basada en

back propagation. Si una alarma resulta ser falsa, se añade a la base de

datos topográfica para modificar la decisión en posibles futuros casos.


El año 2005 el EUFIRELAB (OLLERO n.d.) plantea un algoritmo de

monitorización del fuego (no detección) basado en cámaras infrarrojas.

Las primeras fases, útiles para detección, consisten en un filtraje

mediante un filtro de mediana, asignación de un umbral de forma

dinámica, y una corrección binaria en la que se eliminan los píxeles

espurios.

El profesor Enis Cetin de la universidad de Bilkent, en Ankara (del que

se hablará en la sección 2.2.2 Sensores de espectro visible) plantea en

uno de sus artículos (Uğur Töreyin, et al. 2007) un sistema de detección sobre

infrarrojos, basada en dos fases:

Búsqueda de objetos en movimiento brillantes con bordes

abruptos (Figura 7): Primeramente busca objetos en movimiento

y comprueba que se correspondan con máximos de luminancia.

Crea una señal que contiene la distancia entre el centro del

objeto y el contorno por todos los ángulos posibles (esta técnica

se conoce como firma de un objeto). Mediante esta señal es

capaz de diferenciar el contorno de un fuego y el de otros

elementos infrarrojos.

Análisis de la modificación temporal del fuego: Crea un modelo

Markoviano de tres estados basados en wavelets. Dos de éstos

corresponden a los dos estados extremos de la transformada

wavelet del fuego en oscilación y el otro estado corresponde a no-

fuego. Mediante los 20 últimos frames, analiza cómo son las

transiciones entre estados y es capaz de diferenciar el fuego de

falsas alarmas.

El algoritmo sólo es válido para distancias menores de 30 metros ya

que en rangos mayores no se aprecia la oscilación, ni se diferencian los

contornos del fuego.

Figura 7: Ejemplo de cómo se observa un fuego a menos de 30 metros desde una

cámara infrarroja


Desde la Universidad Politécnica de Valencia (Bosch, Gomez and Vergara, et

al. 2007) se plantea un algoritmo que asimila la detección por infrarrojos a

la teoría de comunicaciones: se modelan las confusiones con la

vegetación como un ruido de fondo, mientras se intentan detectar señales

crecientes en bajas frecuencias y persistentes en un instante, modelando

de esta manera el comportamiento de un fuego. Los mismos autores en el

2009 revisan el algoritmo (Bosch, Gomez and Molina, et al. 2009) y afirman que

los algoritmos basados sólo en el análisis píxel a píxel no son suficientes.

Partiendo de ello, plantean un algoritmo de tres pasos basado en:

estimación del fondo, eliminación de píxeles espurios y extracción de

características (intensidad, firma e inclinación).

2.2.2 Sensores de espectro visible

En el uso de espectro visible para la captación de fuego diferenciaremos

dos casos: La búsqueda de fuego y la búsqueda de humo.

2.2.2.1 Búsqueda de fuego

Los modelos basados en búsqueda de fuego buscan parámetros típicos

del fuego sobre una imagen RGB en movimiento. Un ejemplo primario es

el planteado por la Universidad de Florida el año 2001 (Phillips, Shah and

Lobo 2002) en él se propone un sistema de reconocimiento del fuego en

proximidad basado en dos fases: una primera fase en la que promedian

los colores de un píxel a lo largo del tiempo y el color obtenido se

compara con colores de una base de datos entrenada y una segunda fase

donde se observa su variación temporal.

Debido a que la primera fase puede cometer errores debidos a

confusiones con otros elementos del mismo color, la segunda fase

pretende eliminar estos errores, buscando la variación temporal de los

píxeles en la imagen: una alta variación temporal implicará más

probabilidad de fuego. Con ambos parámetros se establece una

probabilidad de fuego por píxel que posteriormente se regulariza con sus

8 píxeles vecinos. En el artículo los autores aseguran que la técnica es útil

para detectar fuegos cuando este es próximo, pero en casos en el que el

fuego se encuentre alejado, se acostumbran a usar técnicas como la

detección de humo.

Otro método es el propuesto desde la universidad de Illinois (Liu and

Ahuja 2004). Inicialmente detecta regiones de fuego potenciales. Para

detectar regiones potenciales de fuego busca regiones pequeñas brillantes


y analiza si sus alrededores son como los esperados en un fuego (Figura

8).

Figura 8: Modelo de fuego compuesto por un núcleo redondeado de anillos

Para poder determinar si las regiones potenciales de fuego lo son

realmente realizan un doble análisis sobre ellas:

Análisis espacial: mediante el análisis de los coeficientes de

Fourier son capaces de establecer un contorno al fuego.

Análisis temporal: crean un modelo AR y buscan los parámetros

propios que responden a la región que están analizando.

Con los parámetros de cada uno de los análisis, (espacial y temporal),

se realiza una clasificación que diferencia fuego de no-fuego.

El ya referenciado profesor Enis Cetin de la Universidad de Ankara tiene

una colección de artículos al respecto disponibles en su Web (Cetin 2005).

En el conjunto de artículos se hallan algunos elementos comunes, como la

detección de movimiento (Collins, Lipton and Kanade 1999) como primera fase,

y un análisis del color (ya sea por histograma, condiciones o espacios de

color). Es de interés el uso de modelos Markovianos de tres etapas (dos

de fuego y uno de no-fuego) que utiliza tanto espacialmente como

temporalmente para detectar la oscilación del fuego (Ugur Töreyin and Enis

Çetin 2005), así como el uso que hace de las transformadas wavelet (contra

las FFT) en tiempo real (Töreyin, et al. 2006).

Estos modelos funcionan muy bien para la detección de fuego en

interiores, pero no funcionan óptimamente en la detección de fuegos en

entornos forestales donde puede haber elementos que oculten el fuego.

2.2.2.2 Búsqueda de humo

Los fuegos crean columnas de humo que pueden ser detectadas

mediante procesado de imagen. La búsqueda de estas columnas de humo

permite detectar fuego en entornos forestales de forma mucho más


rápida que con la búsqueda de fuego. Mientras que el fuego era

característico por su color, movimiento y forma, en el humo las

principales características son, el movimiento, la oscilación, el desenfoque

que crean en una imagen, la textura, el color y forma fractal.

En la detección de humo las falsas alarmas vendrán causadas por

nubes o niebla, especialmente cuando hay problemas de contraste,

iluminación o poca visibilidad.

En el año 2000 la universidad de Veszprém, Hungría, se plantea un

detector de humo basado en el flujo óptico (optical flow) (Vágvölgyi n.d.).

Dado un movimiento en una secuencia de video se calcula la entropía, la

varianza y norma máxima de la orientación del movimiento y con los

valores resultantes consigue clasificar el humo mediante redes

neuronales. La idea de usar el flujo óptico del humo (Figura 9) vuelve a

ser citada recientemente en un artículo de la University of Science and

Technology of China, (Chunyu, et al. 2010 ) donde los parámetros que se

utilizan para caracterizar el humo respecto otros movimientos son la

velocidad media, la variación de la velocidad, y la variación de la

orientación.

Figura 9: Ejemplos de flujo óptico del humo

En la universidad de Blikent el profesor Enis Cetin y su equipo también

han hecho publicaciones científicas donde se realiza detección de humos.

En uno de sus artículos (Ugur Töreyin and Enis Çetin n.d.), busca como

característico del humo: movimiento, decrecimiento de altas frecuencias

espaciales, color, oscilación temporal y convexidad.

Desde la United Technologies Research Center, y dirigido por el

profesor Ziyou Xiong, se plantea un algoritmo de detección de humo

basado en el análisis de contornos (Xiong, et al. n.d.): primero se extrae el

fondo y se hace un análisis de la oscilación mediante transformadas

rápidas de Fourier, luego a partir de los datos se inicializan unos

contornos; Según explican, tanto el humo como el fuego son fenómenos

turbulentos que se caracterizan por la relación entre el perímetro (P) y el


área(A), relación que es independiente del tamaño del fenómeno. Esta

relación viene definida por la formula 𝑃 = 𝑐 𝐴 𝑞donde 𝑐 es una constate y

𝑞 el valor que usan para caracterizar, y que debe ser mayor de 1.35 para

ser caracterizado cómo fenómeno turbulento. Se puede observar la

complejidad de un elemento turbulento en la siguiente figura:

Figura 10: ejemplo de la turbulencia propia del contorno del humo

2.2.2.2.1 Búsqueda de humo específica para entornos

forestales

El humo en entornos forestales acostumbra a verse desde largas

distancias (>100m). Este humo tiene un comportamiento algo diferente

que el humo cercano, (su movimiento es lento, es más denso,…). Por esto

existen algunos algoritmos dedicados específicamente al caso. En

detección de humos forestales las falsas alarmas son producidas

especialmente por nubes y sombras. En la siguiente figura se muestra un

ejemplo de humo forestal:

Figura 11: Ejemplo de humo forestal

Uno de los primeros detectores específicos para trabajar en tiempo real

en este tipo de detección fue el planteado desde el Institut universitaire


des systèmes thermiques industriels (Vicente and Guillemant 2002); los

autores basan su algoritmo en dos pasos:

Análisis temporal: analizan la actividad dinámica acumulada a

bajas frecuencias píxel a píxel y se quedan tan sólo con esos

píxeles que se hallan por encima de un umbral en esta actividad.

Análisis espacial: Analizan los histogramas de los píxeles de baja

actividad, por otro lado también se analiza el movimiento de los

contornos usando unos algoritmos muy concretos basados en

geometría fractal y correlaciones entre píxeles vecinos, que se

describen en otra publicación (Guillemant and Vicente 2001). Mediante

estos análisis pueden diferenciar humo de nubes o sombras.

La universidad de Split, en el sur de Croacia, tiene su propio sistema de

detección, que distribuyen comercialmente. El algoritmo de detección que

usan está ligado a un parámetro 𝑡 que permite escalar el algoritmo según

el riesgo de incendio por elementos meteorológicos. Según describen en

un artículo (Bodrozic, Stipanicev and Stula 2006) los pasos que usa el sistema

para implementar el algoritmo son:

Detección de movimiento

Detección de color basada en una decisión Bayesiana entre humo

y no humo.

Como estas primeras fases son muy básicas, posteriormente

realizan un control de falsas alamas. Los criterios que utilizan

son:

o La relación entre tamaño del objeto y su evolución en el

tiempo descarta objetos fijos grandes, como montañas

rocosas

o El factor de elongación, que evalúa lo largo que es un

objeto comparando su eje mayor con su eje menor. Esta

propiedad descarta falsas alarmas causadas por efectos de

la luz del sol sobre el objetivo.

o Factor de compresión: lo establecen relacionando área y

perímetro y también con la energía de torsión. Les permite

caracterizar elementos compactos que no son humo, como

gotas de agua en el objetivo.

Desde la Universidad de Bilkent el profesor Enis Cetin y su equipo

también plantean un algoritmo específico al respeto (Enis Cetin and Ugur


Toreyin 2009), donde intentan evitar el análisis de la forma, que tiene un

alto coste computacional. El algoritmo final que plantean es de cinco

pasos pero consigue su objetivo con poco coste computacional:

Detección de movimientos lentos mediante la estimación de dos

fondos, uno rápido y otro lento. Si ambos fondos no son

parecidos habrá un objeto moviéndose lentamente.

Análisis de color: el humo tiene unas componentes de

crominancia muy bajas. Este paso permitirá diferenciarlo de otros

objetos de movimiento lento pero no con nubes ni sombras.

Detección de regiones en crecimiento: crean una cadena de

Markov de tres estados: crecimiento, decrecimiento, y estabilidad

de la región respecto el anterior frame. Se compara el resultado

obtenido con resultados de modelos para nubes y humos y se

clasifica.

Finalmente sólo cabe diferenciar sombras y humos; se comparan

los píxeles con el correspondiente del fondo, si la dirección de los

vectores de color es similar entre ambos se tratará de una

sombra.

Existe una ampliación de este trabajo de los mismos autores (Gunay, et

al. 2009) donde plantean el mismo problema de detección de fuego en

entornos forestales pero en un entorno nocturno.

2.2.3 Otros sensores

Los sensores estudiados en el estado del arte, son tan sólo aquellos que

tienen relación con el presente proyecto, pero existen otros tipos de

sensores para detección de fuego. A continuación se citan algunos:

Detectores de partículas de humo: son los tradicionales usados

en hogares y espacios cerrados, pero necesitan proximidad al

fuego y no son capaces de detectar la posición del fuego.

Espectrometría: Análisis del espectro de emisión

electromagnética en una amplia banda y búsqueda del espectro

típico de emisión del fuego. Método comentado en el satélite

MODIS (2.1.3 Satélites artificiales)

Tecnología LIDAR: se busca la difracción de vuelta típica que

produce el humo (Utkin, et al. n.d.).

Scanner acústico volumétrico: es capaz de reconocer la emisión

en el espectro acústico del fuego (Viegas, et al. 2008).


Animales como sensores: traqueo de animales en zonas del

bosque mediante GPS y se da la alarma en caso de pánico

colectivo de los animales. (Sahin 2007)

2.3 Sistemas comerciales disponibles

Existe software y sistemas comerciales disponibles en el mercado

destinado a la detección de incendios. Algunos de estos sistemas son:

El sistema BOSQUE, es vendido e implementado por la empresa

española de fabricación de buques NAVANTIA, y desarrollado por la

empresa Sistemas FABA con apoyo de ingenieros de la universidad de

Sevilla. Ofrece el desarrollo de sistemas a medida para detección de

fuegos e incluyendo comunicaciones y algoritmos de detección.

La Universidad de Split en el sur de Croacia ofrecen el sistema

iForestFire: usa video en tiempo real, datos meteorológicos y una base de

datos topográfica para detectar y monitorizar fuego en tiempo real. (Darko

Stipaničev 2010) Está siendo operativo en la región de Split-Dalmatia en

Croacia.

El profesor Enis Cetin ofrece en su página Web (Cetin 2005)el software

que ha desarrollado para detección de fuegos. El software ofrece varias

opciones independientes de detección en función del escenario: detección

de humo, fuego, incendio forestal,… En el software se muestra la

detección mediante bloques sobre la imagen y números del 1 al 3

indicando la certeza de que se trate o no de una detección correcta.

Uno de los sistemas comercializados más potente es ForestWatch de la

empresa sudafricana “workingonfire”. El sistema permite detectar fuegos

forestales, y usa sistemas de auto-aprendizaje independientemente de

donde se encuentre la detección. El sistema está implementado en puntos

de Sudáfrica, Canadá, Grecia, Estados Unidos y Eslovenia.

El sistema Fire Alert desarrollado por la empresa Ambient Control

systems de California, ofrece un sistema de detección de fuegos mediante

cámaras desarrolladas por la misma compañía e insertadas en altos

postes con recorridos de 360 grados y auto-alimentación mediante luz

solar así como un software de detección automática.


3 Detección de fuego

Hasta ahora se ha mostrado el estado actual de los sistemas de

detección automática de incendios forestales, a continuación se

propondrán sistemas propios para la detección de incendios forestales. Se

desea poder detectar incendios forestales mediante cámaras situadas

sobre el terreno y técnicas de procesado de imagen. Esta detección se

puede hacer en base a la detección del fuego o a la detección del humo,

ambos indicativos de los incendios forestales.

El fuego y el humo son dos elementos con características distintas:

mientras que el fuego tiene colores vivos, se mantiene siempre en un

mismo sitio pero es muy variante; el humo tiene unos colores muy

apagados y tiende a moverse expandiéndose por el aire; así la detección

debe ser independiente para ambos elementos.

La detección de humo será tratada en el Capítulo 4 Detección de humo,

mientras que la detección de fuego se trata (de forma breve) en este

capítulo. La detección de fuego se puede hacer de formas distintas, en

función de la cámara utilizada.

La detección con cámara infrarroja: los infrarrojos son una banda

del espectro radioeléctrico por debajo de la luz visible sobre la que

radian los objetos al calentarse.

La detección con cámara de espectro visible: el fuego tiene un color

muy característico y diferenciable de otros elementos que puede

facilitar su detección.

De acuerdo con lo explicado en el estado de arte referente a la

detección por infrarrojos, el fuego tiene una gran emisión sobre el

espectro infrarrojo que permite su detección. Los principales falsos

positivos son debidos a la vegetación, ya que acumulan calor del sol, y

radian fuertemente sobre espectro infrarrojo, por otro lado hay también

falsos negativos debidos a la absorción atmosférica que atenúa la banda

infrarroja en las grabaciones a distancia.

Desafortunadamente no se ha podido comprobar lo explicado en el

estado del arte ya que no se posee de ninguna secuencia de video

infrarrojo que permita observar como es la captación de una cámara

infrarroja sobre un entorno forestal, ni cómo se desarrolla el inicio de un

incendio.


Se espera que en futuras fases de este proyecto se puedan realizar

pruebas de detección de fuegos mediante cámaras infrarrojas.

La detección con cámara de espectro visible sí que ha podido ser

testeada mediante una base de datos de imágenes de incendios

forestales. La detección se ha basado en el color que tiene el fuego ya

que sus tonos entre naranja y amarillo lo caracterizan y diferencian de

otros elementos en la imagen.

Figura 12: ejemplo de frame en el que se observa fuego

3.1 Detección de fuego mediante su

color.

El modelo de color más popular para almacenar imágenes es el modelo

de color RGB. El modelo RGB se basa en que cualquier color puede ser

representado con una combinación de los tres colores primarios: rojo,

verde y azul. El modelo RGB es un modelo aditivo en el que la

combinación de los tres colores forman el color blanco y la ausencia de los

tres el negro. En la siguiente figura se muestra un diagrama de Venn con

la representación de los tres colores primarios y sus combinaciones más

básicas en el modelo RGB:

Figura 13: Diagrama de Venn de las combinaciones del modelo de color RGB


El fuego tiene colores que varían entre el rojo el naranja y el amarillo.

En el modelo RGB el fuego tendrá valores muy grandes de rojo, grandes

de verde y pequeños de azul, esta caracterización tan clara del color

permite poder separarlo con facilidad de otros elementos en la imagen.

Para testear la clasificación de color de fuego, se han seleccionado

cinco secuencias de fuego forestal y para cada una de ellas, se han

seleccionado cinco frames donde se observa fuego; para cada uno de los

frames, se han etiquetado manualmente los pixel conforme si eran fuego

o no, así se ha obtenido una base de datos de pixeles con color de fuego

y otra base de datos con colores de elementos que no son fuego.

Una vez realizada la clasificación se comprueba que efectivamente las

dos clases (fuego y elementos forestales) están separadas entre sí. En la

siguiente figura se muestran 800 pixeles de cada clase representados

sobre diagramas de dispersión 2D y 3D.

Figura 14: Diagramas de dispersión 2D y 3D de los de los elementos etiquetados

como fuego (rojo) y los etiquetados como no fuego (verde)

Efectivamente las clases están separadas entre sí y la clasificación

entre fuego y otros elementos es posible, el problema es que las fronteras

que permiten separar ambas clases son complejas. Para ellos se testean

diferentes espacios de color alternativos que permitan separar los datos

de forma más sencilla, finalmente el que parece ser mas válido para la

separación es el modelo de color HSV.

El modelo del color HSV está compuesto por tres variables: tono (hue),

Saturación y brillo (value). El brillo representa la altura que tiene el valor

dentro del eje blanco y negro; la saturación indica lo alejado que está el

valor del eje blanco y negro; finalmente el tono indica el matiz del color,


que sentido toma respecto el eje blanco y negro. La siguiente figura

muestra el espacio HSV representado sobre un cono:

Figura 15: cono representativo del modelo de color HSV

Mientras que el modelo RGB no permitía utilizar fronteras sencillas para

la separación de las clases, el modelo de color HSV permite determinar

fronteras de decisión lineales sobre cada una de sus variables. En la

siguiente figura se muestran los diagramas de dispersión sobre el nuevo

espacio de color:

Figura 16: Diagramas de dispersión 2D y 3D de los elementos etiquetados como fuego (rojo) y como no fuego (verde) sobre los espacio de color HSV.

Con dos clases claramente diferenciables en un espacio de color (el

HSV) donde las fronteras son fáciles de elegir, tan solo falta testear si la

clasificación es buena.

Dada una base de datos de 7 secuencias con fuegos forestales, para

testear la clasificación se clasifica recursivamente un video usando todos


los otros videos de la base de datos para determinar automáticamente

cuales serán las fronteras de decisión. Se determina que la frontera

incluya el 90% de los etiquetados como fuego en las secuencias de

entrenamiento de forma independiente para cada variable. Sólo aquellos

elementos que estén dentro de las tres fronteras serán clasificados como

fuego.

Con esta clasificación se clasifican bien el 71% de los elementos

etiquetados como fuego, mientras que sólo se clasifican erróneamente el

1,7% de los elementos etiquetados como no-fuego. La clasificación

permite determinar de forma rápida qué elementos son susceptibles de

ser fuego en una imagen.

Figura 17: Rodeado en azul los elementos que son detectados como fuego

Aunque la clasificación es buena se observan algunos errores. Los

elementos de no-fuego clasificados como fuego son debidos a humo

teñido por la luz del fuego. Mientras que el fuego que no se detecta viene

causado por tonos amarillentos del fuego que no son bien clasificados. En

la siguiente figura se muestran cuatro ejemplos de la clasificación

obtenida en diferentes secuencias. Las detecciones se han hecho a nivel

de pixel utilizando las fronteras de detección calculadas con los datos de

entrenamiento.

Aunque la detección no coja el fuego por completo se considera

suficiente ya que en todos las secuencias lo detecta, y no hay ningún

falso positivo preocupante. Con estos resultados se da por terminada esta

primera aproximación a la detección de fuego en secuencias de video.

No se dan más pasos en sentido a la detección de incendios forestales

mediante fuego ya que la base de datos de video es reducida y además


para la detección de incendios forestales es mucho más interesante

buscar humo que buscar fuego ya que el humo es observable desde una

fase muy precoz del incendio y desde muchos kilómetros de distancia.


4 Detección de humo

Para la detección de humo en entornos forestales se ha desarrollado un

algoritmo completo en base a estudios citados en el estado del arte y

conocimientos de procesado de imagen.

El algoritmo se ha diseñando en función de los conocimientos teóricos

sobre el humo, el estado del arte y los resultados obtenidos en una base

de datos con secuencias de humo forestal.

La base de datos que se ha utilizado para comprobar el funcionamiento

del algoritmo es un conjunto de 13 secuencias de video: 6 de las

secuencias son entornos forestales donde no se observa humo mientras

que las otras 7 son secuencias de video donde se observa como aparece

una columna de humo en un entorno forestal:

Nombre identificativo Duración del video Con humo / sin humo

Puente 11‟02‟‟ Con humo

Cresta-sucio 3‟17‟‟ Con humo

Cantera 6‟14‟‟ Con humo

Cresta 2‟07‟‟ Con humo

Reflejo 10‟01‟‟ Con humo

Rama 11‟02‟‟ Con humo

Camino 3‟19‟‟ Con humo

CanteraNegativo1 21‟‟ Sin humo

CanteraNegativo2 2‟ 33‟‟ Sin humo

Panorámica 45‟‟ Sin humo

Cerrado 44‟‟ Sin humo

Ladera 45‟‟ Sin humo

Monte 44‟‟ Sin humo

El uso de esta base de datos (que está más detallada en el apartado

4.6.1) ha servido de referencia para diseñar el algoritmo y conocer las

propiedades del humo. Finalmente el algoritmo diseñado permite detectar

el humo en las bases de datos mediante 4 características:

1. Novedad: en una secuencia de video el humo será un elemento

nuevo.

2. Velocidad: en comparación con otros elementos nuevos, el humo

se moverá de forma lenta.

3. Tonalidad: Es característico del humo su color; aunque dependa

del tipo de combustión, ésta tiende a ser blanco-grisáceo.


4. Volumen: Entre todos los elementos móviles el humo además

será un elemento grande.

Acorde con estas 4 características se han creado cuatro etapas del

algoritmo que permiten detectar el humo:

1. Sustracción de fondo: en una secuencia de video detecta aquellos

elementos que son nuevos.

2. Eliminación de elementos rápidos: entre todos los elementos

nuevos solo se queda con los rápidos.

3. Detección de color: analiza el color para poder descartar aquellos

elementos que tengan colores distintos del humo.

4. Análisis por componentes conexas: detecta sólo aquellos

elementos que sean suficientemente grandes para ser

considerados humo.

Además de estas cuatro etapas que permiten diferenciar el humo de

otros elementos en una secuencia de video, hay una etapa más que

provee al algoritmo de feedback:

5. No aprendizaje de humo: Asegura que aquellos elementos

clasificados como humo no sean aprendidos por el algoritmo y

dejen ser de detectados en la etapa 1.

A continuación se muestra un diagrama de bloques con el conjunto del

algoritmo:

Figura 18: Diagrama de bloques del algoritmo de detección de humos

En este apartado se explicará cómo funciona cada una de estas etapas,

además se mostrarán los resultados obtenidos y alternativas a la solución

final propuesta.

4.1 Sustracción de fondo


La sustracción de fondo es una técnica que detecta objetos en

movimiento en cámaras estáticas. Esta técnica permite separar un nuevo

frame entre fondo (background) y primer plano (foregroud).

Todos aquellos elementos que sean conocidos (por lo general estáticos)

los consideraremos fondo, mientras que se considera primer plano todos

aquellos elementos que sean nuevos (por lo general móviles).

Para poder definir el fondo se necesita un tiempo de observación inicial

(entrenamiento) durante el cual sólo se observe la escena de video. Este

tiempo permite crear un modelo de fondo para poder decidir qué

elementos serán fondo y qué elementos serán nuevos respecto a lo

observado hasta entonces. La calidad del algoritmo vendrá determinada

por la calidad de este modelo de fondo.

El modelo de fondo se hace partiendo de los valores que toman los

píxeles, el valor puede ser el de la luminancia del píxel o la triada de

valores del color (por ejemplo RGB). En este apartado se tratará todo el

problema como si se modelara la luminancia y finalmente se explicará

cómo extender el algoritmo a las tres dimensiones para el color.

En los algoritmos que se tratan en esta sección, el modelo de fondo se

elabora a nivel de píxel. Ello implica que la decisión de si algo está en

primer plano se decide en cada píxel de forma independiente, sin tener en

cuenta la decisión de los píxeles vecinos.

Para cada uno de los píxeles se estima su función densidad de

probabilidad (fdp) cuando es fondo. Cuanto más precisa sea la estimación

de la fdp de los píxeles del fondo, mejor se estimará si un nuevo píxel

debe ser considerado fondo o no.

En el presente trabajo, en el cual se quiere detectar humo en entornos

forestales, se pretende que la técnica de la sustracción de humo descarte

como posible humo todos aquellos elementos que sean del fondo, ya que

se considera que el humo será primer plano.

Un modelo de fondo para este objetivo debería:

1. Adaptar el modelo de fondo a los pequeños cambios que haya en la

secuencia. En escenas exteriores, debido a la luz solar, el fondo va

variando a la largo del día. El modelo debe adaptarse a estos

cambios.

2. Ser capaz de no detectar como primer plano el balanceo de un árbol,

pudiendo el modelo asumir más de un elemento en un mismo píxel.


3. Asumir como fondo aquellos elementos que pasen mucho tiempo en

primer plano, como por ejemplo, un coche que aparca.

En los siguientes apartados del trabajo se explican dos técnicas para

modelar fondos: La primera, “Modelo de fondo con una Gaussiana

adaptativa”, permite hacer detecciones en primer plano y adaptarse a los

cambios de iluminación. El segundo modelo, conocido como Stauffer-

Grimson, evita las detecciones de primer plano en los balanceos de

árboles y permite la incorporación de elementos nuevos al modelo de

fondo.

4.1.1 Modelo de fondo con una

Gaussiana adaptativa

El modelo de fondo con una Gaussiana adaptativa es un modelo simple

pero que funciona bien: es capaz de separar fondo y primer plano;

además es capaz de adaptarse a los cambios de iluminación de la luz

solar. La explicación del modelo se separa en cuatro puntos:

1. Aproximación Guassiana: se explica porqué es válido asumir que

la fdp de un píxel de fondo sea una Gaussiana.

2. Decisión de primer plano: partiendo de la distribución Gaussiana

se explica cómo se decide si un nuevo píxel es primer plano.

3. Adaptabilidad del modelo: se explica cómo se consigue que el

modelo se adapte a los cambios de iluminación.

4. Condición de aprendizaje: se hace una corrección en el algoritmo

para no introducir los elementos en primer plano al modelo de

fondo

5. Conclusiones: se muestra un diagrama de bloques del modelo, y

se explica en qué casos el algoritmo es válido y en qué casos es

erróneo.

4.1.1.1 Distribución Guassiana

En una secuencia estática, al observar el comportamiento de un píxel el

valor que toma este no es siempre el mismo, sino que tiene pequeñas

fluctuaciones causadas, entre otros motivos, por el ruido térmico del

sensor.

La fdp de señal más el ruido, puede ser aproximada con una

distribución gaussiana (𝜂 . ) de media 𝜇 y varianza 𝜍2.


𝑓𝑑𝑝𝑝𝑖𝑥𝑒𝑙 𝑥 = 𝜂 𝑥 − 𝜇, 𝜍 =1

𝜍 · 2𝜋𝑒

−12

· 𝜇−𝑥 2

𝜍2 (4.1)

En la siguiente figura se muestra el histograma de los datos y la

estimación de la fdp usando una función gaussiana de un píxel estático de

fondo.

Figura 19: Ejemplificación de la distribución Gaussiana que toman los píxeles los valores de un pixel

4.1.1.2 Decisión de primer plano

La decisión de primer plano consiste en clasificar un nuevo valor del

píxel como fondo o como primer plano en función de la fdp de fondo del

píxel.

Para clasificar si un nuevo valor (𝑥𝑡) es primer plano (𝐹𝐺) o es fondo

(𝐵𝐺) se calcula la distancia de Mahalanobis entre el nuevo valor y la fdp

de fondo del píxel, y se aplica un umbral (𝐷𝑀𝑡𝑕).

𝜇 − 𝑥𝑡

𝜍 > 𝐷𝑀𝑡𝑕 → 𝐹𝐺

𝜇 − 𝑥𝑡

𝜍 < 𝐷𝑀𝑡𝑕 → 𝐵𝐺

(4.2)

La distancia de Mahalanobis calcula la relación entre la desviación

estándar (𝜍) y la distancia entre la media (𝜇) y el nuevo valor (𝑥𝑡). Al usar

un umbral sobre la distancia de Mahalanobis se delimita una „región de

confianza‟ alrededor de la media, cualquier nuevo punto que no esté

dentro de la „región de confianza‟ se considera primer plano.


En la siguiente figura se superponen los umbrales que delimitan la

„región de confianza‟ con un 𝐷𝑀𝑡𝑕 = 3.5 a la figura 19 (donde se observaba

el histograma y la fdp que se aproximaba de un píxel de fondo).

Figura 20: umbrales sobre la distribución Gaussiana de los valores de un píxel

4.1.1.3 Adaptabilidad del modelo

Para la aplicación de este algoritmo, la sustracción de fondo debe ser

capaz de adaptarse a las leves transiciones de los valores que existen en

las escenas exteriores.

Si un píxel en una escena exterior va variando su valor a lo largo del

día a causa de la luz solar, la observación de este píxel no es un proceso

estacionario: La fdp de un mismo píxel en instantes diferentes no es la

misma.

Como la fdp de un píxel no es la misma en todos los instantes, el

modelo planteado hasta ahora empeorará cuanto más dure la secuencia,

ya que los valores de la media y la varianza se verán influenciados por los

valores anteriores que tomaba la secuencia. Para perfeccionar el modelo

se propone que la función densidad de probabilidad sea dependiente del

tiempo (𝑡):

𝑓𝑑𝑝𝑝𝑖𝑥𝑒𝑙 𝑥, 𝑡 = 𝜂 𝑥 − 𝜇𝑡 , 𝜍𝑡 =1

𝜍 · 2𝜋𝑒

−12

· 𝑥−𝜇 𝑡

2

𝜍𝑡2

(4.3)

Se consigue que la fdp sea dependiente del tiempo haciendo que la

media (𝜇𝑡) y la varianza (𝜍𝑡2) varíen en cada iteración. La validez de la

estimación de la fdp vendrá determinada por lo buena que sea la

estimación de estos dos parámetros.


Para estimar la fdp se usa una fórmula (Wern, y otros 1997) donde la

media (𝜇𝑡) y la varianza (𝜍𝑡2) son calculados en función del valor que

tomaban anteriormente (𝜇𝑡−1, 𝜍𝑡2) y del nuevo valor del píxel en

observación (𝑥𝑡):

𝜇𝑡 = 𝜇𝑡−1 · 1 − 𝛼 + 𝑥𝑡 · 𝛼 (4.4)

𝜍𝑡2 = 𝜍𝑡−1

2 · 1 − 𝛼 + 𝜇𝑡 − 𝑥𝑡 2 · 𝛼 (4.5)

Donde 𝛼, al que se llamará factor de aprendizaje, es un valor entre 0 y

1 que caracteriza la memoria que tendrá el modelo. Es más fácil

comprender la ecuación 4.4 al reescribirla sin la recursividad, ya sea

como un sumatorio o de forma vectorial:

𝜇𝑡 ≈ 𝑥𝑖 · 𝛼 · 1 − 𝛼 𝑡−𝑖

𝑡

𝑖=0

(4.6)

𝜇𝑡 ≈ 𝑕𝑇 · 𝑥 = 𝛼 · 1 (1 − 𝛼) 1 − 𝛼 2 ⋯ ~0 ·

𝑥𝑡

𝑥𝑡−1

⋮𝑥0

(4.7)

Se puede observar en la ecuación anterior que, la operación filtra (paso

bajo) los datos en 𝑥 con una media ponderada exponencialmente. De esta

forma se consigue que la media y la varianza se adapten en el tiempo

haciendo que el modelo de fondo sea adaptativo.

El factor de aprendizaje (𝛼) determina la cantidad de muestras que

serán relevantes en la media ponderada exponencialmente y en

consecuencia el ancho de banda del filtro paso bajo. En la elección de 𝛼

existe un compromiso entre robustez al ruido y adaptabilidad:

Cuando más próximo a 0 sea el factor de aprendizaje, más larga

será la cola del promedio, más pequeña será la banda del filtro y más

robusto será el modelo al ruido.

Cuando más próximo a 1 sea 𝛼: más corto será la cola del

promediado, más grande será la banda del filtro, y más adaptivo será el

modelo.

4.1.1.4 Condición de aprendizaje

El algoritmo anterior presenta un problema (Koller, y otros 1994): la

utilización de la fórmula adaptativa propuesta en el punto anterior los

elementos en primer plano también modifican la media y la varianza de la

misma forma que los elementos de fondo.


La media y la varianza caracterizan la fdp de los píxeles de fondo. Así

que aquellos valores que no sean clasificados como fondo no deberían

poder modificar la media y la varianza. Para solucionar este problema se

propone usar:

𝜇𝑡 = 𝑀 · 𝜇𝑡−1 + 1 − 𝑀 · (𝜇𝑡−1 · 1 − 𝛼 + 𝑥𝑡 · 𝛼) (4.8)

𝜍𝑡2 = 𝑀 · 𝜍𝑡−1

2 + 1 − 𝑀 · (𝜍𝑡−12 · 1 − 𝛼 + 𝜇𝑡 − 𝑥𝑡 · 𝛼) (4.9)

Donde 𝑀 toma el valor 1 cuando 𝑥𝑡 ha sido clasificado como primer

plano y 0 cuando ha sido clasificado como fondo. Esta ecuación actualiza

media y varianza igual que la ecuaciones 4.4 y 4.5 cuando el nuevo valor

(𝑥𝑡) ha sido clasificado como fondo, mientras que mantiene el valor

anterior que tenían (𝜇𝑡−1, 𝜍𝑡−1) cuando 𝑥𝑡 ha sido clasificado como primer

plano.

Cuando aparece un nuevo elemento en la imagen, los píxeles

correspondientes lo clasifican como primer plano y 𝑀 vale 1, así no se

modifica ni la media ni la varianza que sólo caracterizan el fondo. Al

desaparecer el nuevo elemento, el valor que toman los píxeles sigue

siendo el correspondiente a la media y varianza del fondo y ya no habrá

detección de primer plano.

La ventaja de esta corrección es que la fdp del fondo se estima mejor.

El problema que conlleva usarla es que un nuevo elemento nunca se

podrá incorporar al fondo.

4.1.1.5 Conclusiones sobre el modelo de fondo

con una gaussiana adaptativa

El modelo de fondo con una Guassiana adaptativa se puede resumir

mediante el siguiente diagrama de bloques:


Figura 21: Esquema de funcionamiento del modelo de fondo con una Gaussiana

adaptativa

Este modelo de fondo consigue separar el primer plano del fondo,

incluso en escenas con iluminación solar donde el valor que toma el fondo

va variando levemente.

El modelo de fondo explicado no permite introducir nuevos elementos

en el primer plano (como un coche que aparca). Aunque si no se usase la

corrección en la sección 4.1.1.4 el modelo podría incorporarlos, pero

estimaría peor la fdp.

En el caso de que haya más de un elemento conocido en un mismo

píxel (árbol que se balancea), el histograma de los píxeles de fondo deja

de ser una función gaussiana:

Figura 22: Histograma de valores de un píxel que no sigue una distribución gaussiana

Un histograma con varios picos máximos no es una posibilidad prevista

por el modelo de una Gaussiana adaptativa. Ante tal situación el modelo

con una Gaussiana adaptativa puede reaccionar de dos formas (ambas

erróneas).


1. El modelo sólo se adapta a uno de dos elementos presentes,

detectando el otro como primer plano. (Figura 23 rojo y magenta)

2. El modelo ensancha la varianza, incluyendo en una misma

Gaussiana ambos picos: (Figura 23 verde)

Figura 23: Reacciones a la estimación de función gaussiana ante una distribución no

gaussiana

Ambos comportamientos son malos: el primero (Figura 23 rojo y

magenta) es incorrecto ya que no es desable que al convivir dos

elementos, haya detecciones en primer plano, el segundo es inapropiado

ya que una Gaussiana tan ancha puede incluir en primer plano elementos

que no lo sean.

4.1.2 Modelo de imagen con varias

Gaussianas

El modelo prestentado hasta ahora de una Gaussiana adaptativa

comete errores cuando varios elementos conviven en un mismo píxel.

Para solucionar el problema se explica el modelo planteado por Staffer y

Grismon (Stauffer y Grimson 1999), en el que se usan varias Gaussianas por

píxel.

El algoritmo de Stauffer-Grisom que se explicará en este apartado no

calcula un modelo de fondo, sino que modela toda la imagen.

Posteriormente, usando el modelo de imagen, se separan fondo y primer

plano. La explicación del algoritmo se divide en los siguientes puntos:

1. Aproximación con varias Gaussianas: comprueba la validez de usar

varias Gaussianas para aproximar la fdp.


2. Estimación del estado actual: explica cómo se decide cual es la

Gaussiana que mejor se adapta a un nuevo valor.

3. Estimación de parámetros: plantean las fórmulas para calcular los

parámetros de las Gaussianas.

4. Decisión de primer plano: explica cómo se determina qué

Gaussianas forman parte del primer plano y cuáles del fondo.

5. Conclusiones: se valora si el algoritmo es válido para la aplicación

en la que se requiere.

4.1.2.1 Aproximación con varias gaussianas

Cuando un mismo píxel observa varios elementos a la vez, la fdp de

probabilidad deja de ser una Gaussiana. Este comportamiento puede ser

modelado como la suma ponderada de Gaussianas (obviamente

adaptativas):

𝑓𝑑𝑝𝑝𝑖𝑥𝑒𝑙 𝑥, 𝑡 = 𝜔𝑡 ,𝑘 · 𝜂 𝑥 − 𝜇𝑡 ,𝑘 , 𝜍

𝐾

𝑘=1

= 𝜔𝑡 ,𝑘

𝜍𝑡 ,𝑘 · 2𝜋𝑒

−12

· 𝑥−𝜇 𝑡 ,𝑘

2

𝜍𝑡 ,𝑘2

𝐾

𝑘=1

(4.10)

Donde 𝐾 es el número de gaussianas que hay en el modelo; 𝜇𝑡 ,𝑘 y 𝜍𝑡 ,𝑘2

son media y varianza en cada instante de tiempo para cada una de las

Gaussianas; 𝜔𝑡 ,𝑘 es la altura de pico de cada una de las Gaussianas, una

estimación de la probabilidad que aparezca cada uno de los elementos.

Los pesos de las Guassianas (𝜔𝑡 ,𝑘) para que el área de la fdp sea 1 deben

cumplir:

𝜔𝑡 ,𝑘 = 1

𝐾

𝑘=1

(4.11)

La elección del número de Gaussianas es un parámetro complicado, si

tiene un valor demasiado grande se adaptará demasiado a los datos

puntuales, puede ser redundante, necesitará mucho más tiempo de

procesamiento y espacio en memoria. Un valor demasiado pequeño en

cambio no conseguirá modelar la fdp.

En la siguiente figura se muestra el histograma de un píxel de fondo en

el que hay más de un elemento y la estimación de la fdp usando una

suma de Gaussianas con 𝐾 = 1,2,3 𝑦 4


Figura 24: histogramas de valores del píxel con más de un elemento y sus estimaciones con sumas de gaussianas.

Como el peso (𝜔𝑡 ,𝑘) es una estimación de la probabilidad con la que

aparece cada uno de los elementos en un píxel, si se cumple que 𝜔𝑡 ,𝑘=1 =

1 y 𝜔𝑡 ,𝑘≠1 = 0 la estimación de la fdp es equivalente a la del modelo con

una sola Gaussiana adaptativa.

4.1.2.2 Estimación del estado actual

Cuando un nuevo píxel entra en el algoritmo debemos decidir si encaja

con la fdp actual y a cuál de las Gaussianas presentes se adapta mejor.

La decisión se toma mediante la distancia de Mahalanobis entre cada una

de las Gaussianas y el nuevo píxel:

mink

𝑥𝑡 − 𝜇𝑡 ,𝑘

𝜍𝑡 ,𝑘 (4.12)

La Gaussiana (𝑘) con una distancia de Mahalanobis menor, será sobre

la cual se clasifique el nuevo valor 𝑥𝑡, a no ser que este valor mínimo sea

mayor a un umbral (𝐷𝑀𝑡𝑕). En tal caso se considerará que el nuevo valor

no forma parte del modelo y se asignará una Gaussiana nueva para él. En

la siguiente figura se muestra un histograma de un píxel con varios

elementos, la fdp que se le estima y los límites de clasificación.


Figura 25: histograma de valores de pixel y límites de la clasificación con varias

gaussianas.

Los valores que formen parte del modelo se usan para actualizar los

parámetros de su Gaussiana correspondiente (4.1.2.3 Actualización de

parámetros). Para aquellos valores que hayan sido clasificados como fuera

del modelo se les asignará una nueva Gaussiana que substituirá la

Gaussiana menos probable (𝜔𝑡 ,𝑘 menor) en ese píxel. Esta nueva

Gaussiana tendrá como parámetros:

𝜇𝑡 ,𝑘 = 𝑥𝑡 : la nueva Gaussiana estará centrada en el nuevo valor que

no formaba parte del modelo.

𝜍𝑡 ,𝑘2 = 𝜍𝑖𝑛𝑖𝑡

2 : la varianza de la Gaussiana vendrá determinada por el

parámetro 𝜍𝑖𝑛𝑖𝑡 . Para facilitar la convergencia, la varianza inicial

deberá ser grande.

𝜔𝑡 ,𝑘 = 𝜔𝑖𝑛𝑖𝑡 : El peso inicial de la Gaussiana será un valor bajo pero

mayor que 0. Hecha esta asignación, será necesario corregir el

resto de pesos para que la suma de todos los pesos siga siendo 1.

Cada vez que un nuevo elemento esté fuera del modelo se crea una

nueva Gaussiana. Se debe ser cauteloso en la elección del parámetro K,

ya que si hubiese más elementos que Gaussianas el algoritmo no sería

estable ya que estaría constantemente substituyendo Gaussianas.

4.1.2.3 Actualización de parámetros

Cuando un nuevo valor (𝑥𝑡) no forma parte del modelo se crea una

nueva Gaussiana, en el caso que forme parte de él se usa para actualizar

los parámetros de la fdp (𝜔𝑡 ,𝑘 , 𝜇𝑡 ,𝑘 , 𝜍𝑡 ,𝑘).


Los pesos de todas las Gaussianas (𝜔𝑡 ,𝑘) se actualizan en cada iteración.

La estimación de estas se hace usando también una fórmula adaptativa:

𝜔𝑡 ,𝑘 = 𝜔𝑡−1,𝑘 · 1 − 𝛼 + 𝛼 · 𝑀𝑡 ,𝑘 (4.13)

En el que 𝑀𝑡 ,𝑘 vale 1, si la Gaussiana 𝑘 en esa iteración ha sido la que

ha tenido menor distancia de Mahalanobis, sin superar el umbral 𝐷𝑀𝑡𝑕; en

cualquier otro caso vale 0.

Los pesos de los elementos 𝜔𝑡 ,𝑘 irán fluctuando, adaptándose a la

realidad de cada instante; por ejemplo: cuando aparece un nuevo

elemento este empezará con un peso muy pequeño, si el elemento se

mantiene en la escena, su 𝑀𝑡 ,𝑘 valdrá 1 en cada iteración y el peso irá

creciendo pudiendo llegar a ser el mayor.

La actualización de los pesos se hace para todas las Gaussianas, la

actualización de media (𝜇𝑡 ,𝑘) y varianza (𝜍𝑡 ,𝑘2 ) se hace sólo para aquella

Gaussiana con una distancia de Mahalanobis menor; para realizar la

actualización, en vez de las ecuaciones 4.4 y 4.5, se usa una modificación

propuesta por Power-Shronnes:

𝜌𝑡 ,𝑘 = 𝛼𝜔𝑡 ,𝑘 (4.14)

𝜇𝑡 ,𝑘 = 𝜇𝑡−1,𝑘 · 1 − 𝜌𝑡 ,𝑘 + 𝑥𝑡 · 𝜌𝑡 ,𝑘 (4.15)

𝜍𝑡 ,𝑘2 = 𝜍𝑡−1,𝑘

2 · 1 − 𝜌𝑡 ,𝑘 + 𝜇𝑡 ,𝑘 − 𝑥𝑡 2

· 𝜌𝑡 ,𝑘 (4.16)

El valor 𝜌𝑡 ,𝑘 permite actualizar con un factor de aprendizaje mayor

aquellos elementos que aparecen poco. De esta forma se consigue que los

elementos que aparecen poco se adapten igual de rápido que aquellos

que aparecen mucho.

En el caso que sólo haya un elemento, el peso de la Gaussiana de ese

elemento valdría 1 (𝜔𝑡 ,𝑘 = 1), 𝜌𝑡 ,𝑘 sería igual que 𝛼 y la actualización sería

equivalente al modelo de una sola Gaussiana.

Hay problemas con el parámetro 𝜌𝑡 ,𝑘 en el caso que 𝛼 > 𝜔𝑡 ,𝑘, si así

sucediera 𝜌𝑡 ,𝑘 sería mayor que 1 e introduciría valores negativos en la

actualización. En ningún caso se debe permitir que esto ocurra y 𝜌𝑡 ,𝑘 debe

estar siempre comprendido entre 0 y 1.


4.1.2.4 Decisión de primer plano

Hasta ahora se ha explicado cómo establecer un modelo de imagen que

permita modelar en cada instante la fdp de cada píxel; para tomar la

decisión de primer plano, el modelo se debe separar entre fondo y primer

plano.

Se considera fondo aquellos elementos que que sean muy probables

(𝜔𝑡 ,𝑘 alto) y a la vez poco variantes (𝜍𝑡 ,𝑘 bajo). Mediante el siguiente valor

se establece un criterio de confianza de que un elemento sea fondo:

𝜔𝑡 ,𝑘𝜍𝑡 ,𝑘

(4.17)

Desde un punto de vista matemático lo que se está calculado es el

apuntamiento de la Gaussiana ya que se divide su altura (𝜔𝑡 ,𝑘) entre su

anchura (𝜍𝑡 ,𝑘). Cuando más puntiaguda sea una Gaussiana más confianza

se tendrá de que es fondo. Para establecer el fondo se determina un

umbral de la probabilidad total de las Gaussianas de fondo (𝑇). Los

primeros 𝐵 elementos (en el orden del apuntamiento) que acumulen la

probabilidad 𝑇 serán considerados fondo:

𝐵 = min𝑏

𝜔𝑡

𝑏

𝑘=1

> 𝑇 (4.18)

Las demás Gaussianas se clasificaran como primer plano. A

continuación se muestra una figura con diferentes conjuntos de

Gaussianas, el color de fondo de la figura marca si un píxel en ese valor

sería clasificado como fondo (verde) o como primer plano (rojo).


Figura 26: aéreas de decisión de fondo (verde) y de primer plano (rojo) en diferentes combinaciones de gaussianas.

4.1.2.5 Conclusiones al modelo de imagen con

varias Gaussianas

El algoritmo puede ser resumido mediante el siguiente diagrama de

bloques:

Figura 27: Diagrama de bloques del modelo de imagen Stauffer-Grimson

El algoritmo con varias Gaussianas adaptativas es válido para las

necesidades que se planteaban al inicio:

En las escenas iluminadas por luz exterior, el algoritmo con varias

Gaussianas adaptativas consigue adaptar los valores de éstas sin

que haya detecciones en primer plano.

En escenas en las que en un mismo píxel hay más de un elemento

de fondo (como es el caso de un árbol que se mueve), el algoritmo

asigna una Gaussiana a cada elemento, si el balanceo es

suficientemente frecuente, no habrá detecciones de primer plano; si


el balanceo es poco frecuente la Gaussiana correspondiente no

acumulará suficiente probabilidad y será considerada primer plano.

Cuando aparece un elemento nuevo en la escena, los píxeles

correspondientes a ese elemento crean una nueva Gaussiana. Si el

elemento permanece alrededor de ese valor, el peso

correspondiente de la nueva Gaussiana irá aumentado, cuando este

sea suficientemente grande el nuevo elemento dejará de ser primer

plano y será considerado fondo.

4.1.3 Consideraciones en la aplicación

del modelo de imagen

La explicación de los modelos de fondo ha introducido el concepto y la

metodología para realizar una sustracción de fondo. A continuación se

añaden algunas puntualizaciones a la explicación anterior para la

implementación del algoritmo.

4.1.3.1 Limites en la varianza

Aunque en la mayoría de casos el algoritmo funciona, hay excepciones

en los que se le debe limitar su libertad para asegurar un buen

funcionamiento. Los principales errores son debidos a falsas estimaciones

de fdp los cuales son controlables limitando los valores que puede tomar

la varianza.

4.1.3.1.1 Varianza mínina

En la explicación teórica del algoritmo se ha supuesto que un nuevo

valor de píxel (𝑥𝑡) puede tomar cualquier valor real. Se debe precisar que

en la codificación digital 𝑥𝑡 toma valores enteros en el rango [0 255].

Cuando en una secuencia hay demasiado contraste o demasiada luz, el

sensor de la cámara no es capaz de representar todos los valores y

algunos píxeles en la secuencia toman de forma continua valores

extremos de margen dinámico (0 ó 255).

Al llegar al límite del margen dinámico la fdp deja de ser una función

gaussiana y pasa a ser una función gaussiana truncada.

El problema de la gaussiana truncada es que al no ser simétrica los

límites de la distancia de Mahalanobis que se generan no son correctos; lo

que provoca que un solo elemento termine siendo modelado con varias


Gaussianas, pudiendo haber detecciones de primer plano. En la figura

siguiente se muestran diferentes histogramas de Gaussianas truncadas,

su estimación de fdp Gaussiana y los límites marcados por la distancia de

Mahalanobis:

Figura 28: Diferentes ejemplos de gaussianas truncadas y los límites de que marca la

varianza.

Para evitar que un píxel repetidamente en un valor saturado no genere

una nueva Gaussiana, se propone usar una varianza mínima. La varianza

mínima asegurará que aunque un píxel siempre tenga un valor saturado

la varianza asignada siga siendo suficientemente grande para evitar la

creación de una nueva Gaussiana.

4.1.3.1.2 Varianza máxima

La varianza máxima es una corrección poco común en las técnicas de

substracción de fondo, pero en el caso de usarla para detección de humo

resulta útil.

El humo es un elemento atípico en la detección de primer plano ya que

no es completamente opaco. En general, el humo es más opaco en el

origen y se va desdibujando al expandirse en el aire. La siguiente figura

muestra diferentes observaciones de humo:


Figura 29: El humo no es un elemento totalmente opaco.

Esta variación en la opacidad provoca que un píxel sobre el que

empieza a pasar humo no se observe un cambio brusco del valor del

píxel; sino que se observe una transición de un valor a otro. En la

siguiente figura se muestran dos evoluciones de píxel de una misma

secuencia, el de la izquierda corresponde a humo, en la derecha

corresponde a un coche que aparca.

Figura 30: Evoluciones de un pixel ante la aparición de humo (izquierda) y ante un coche que aparca (derecha).

Mientras que el coche (Figura 30 derecha) tiene una transición brusca,

el humo tiene una transición lenta de su valor (Figura 30 izquierda). En el

caso del humo, los nuevos valores que toma 𝑥𝑡 pueden confundirse con

evoluciones del fondo o aumentos de la varianza, evitando o posponiendo

la detección de primer plano. En la siguiente figura se sobreponen a la

evolución de los píxeles los límites que marcan la distancia de

Mahalanobis de la Gaussiana que esta modelando el píxel.


Figura 31: Diferencias en la evolución de las medias y varianzas ante un cambio leve y un cambio abrupto.

El píxel del coche aparcando (derecha), al detectar un cambio brusco

de valor, ha creado dos nuevas Gaussiana (en verde y cian) que modelan

el nuevo comportamiento del píxel. En el caso del humo (izquierda) las

pequeñas variaciones iniciales han hecho aumentar la varianza de la

Gaussiana incluyendo todo el paso del humo en la misma Gaussiana, sin

que haya detección de ningún nuevo elemento.

Este problema puede solucionarse usando un factor de aprendizaje (𝛼)

menor o bajando el umbral de la distancia de Mahalanaobis (𝐷𝑀𝑡𝑕) pero

cambiar estos parámetros varia el comportamiento del algoritmo. Otra

opción es limitar el valor máximo que puede tomar la varianza.

Una Gaussiana que ensanche demasiado su varianza detectará como

propios más elementos de los que debería, haciendo peor la estimación

de la fdp. Es preferible que un píxel lo modelen dos Gaussianas estrechas

que no una Gaussiana ancha.

En la siguiente figura se muestra el comportamiento de las Gaussianas

al observar el paso de humo y un coche aparcando, usando una limitación

máxima de la varianza:


Figura 32: evoluciones de medias y varianzas ante un cambio leve y un cambio

abrupto en casos donde se limita la varianza.

Se observa que la reacción del algoritmo en el caso del coche

aparcando (derecha) es aproximadamente la misma, mientras que el

píxel con humo (izquierda) ha variado. La limitación máxima de la

varianza permite que en el píxel de humo se cree una nueva Gaussiana

para modelar el humo y haya así detección de primer plano.

La limitación máxima de la varianza permite solucionar algunos

problemas y en algunos casos puede resultar útil; pero no se debe abusar

de esta limitación, ya que, una limitación demasiado estricta junto con el

uso de pocas Gaussianas provoca que el algoritmo deje de ser estable.

4.1.3.2 Aplicación del modelo a un espacio

tridimensional

Todas las explicaciones hechas hasta ahora se basan en que cada uno

de los píxeles en cada instante vienen representados por un solo valor

(𝑥𝑡). En video en color esto no es así, y cada píxel, en cada instante,

contiene tres componentes de color (𝑥𝑡 = 𝑥𝑟 𝑥𝑔 𝑥𝑏 ).

Este cambio provoca que la media no pueda seguir siendo un escalar y

pasa a ser un vector (𝜇𝑡 ,𝑘) con una media para cada componente de color.

La varianza (𝜍𝑡 ,𝑘2 ) debe passar a ser una matriz ( ∑𝑡 ,𝑘

2 ) con las covarianzas

cruzadas de todas las componentes:

∑𝑡 ,𝑘2 = 𝐸 𝑥𝑡 ,𝑘 − 𝜇𝑡 ,𝑘 · 𝑥𝑡 ,𝑘 − 𝜇𝑡 ,𝑘 =

𝜍𝑟𝑟2 𝜍𝑟𝑔

2 𝜍𝑟𝑏2

𝜍𝑔𝑟2 𝜍𝑔𝑔

2 𝜍𝑔𝑏2

𝜍𝑏𝑟2 𝜍𝑏𝑔

2 𝜍𝑏𝑏2

(4.19)


En la implementación del algoritmo, usar la matriz de covarianzas como

una matriz completa implica complejidad de cálculo. Para simplificar este

proceso en el artículo de Stauffer-Grimson se propone usar la matriz

identidad:

∑𝑡 ,𝑘2 = 𝜍𝑟𝑔𝑏

2 · 1 0 00 1 00 0 1

(4.20)

Esta simplificación es posteriormente matizada por un artículo de

Power-Schoones, donde se afirma que es una aproximación demasiado

basta. Como alternativa se propone usar una matriz diagonal:

∑𝑡 ,𝑘2 =

𝜍𝑟2 0 0

0 𝜍𝑔2 0

0 0 𝜍𝑏2

(4.21)

La matriz diagonal, sin ser una aproximación tan simple, también

facilita los cálculos. Con una matriz diagonal, la actualización de los

parámetros se puede hace de forma individual para cada componente

(𝜍𝑐):

𝜍𝑡 ,𝑘 ,𝑐2 = 𝜍𝑡−1,𝑘 ,𝑐

2 · 1 − 𝜌𝑡 ,𝑘 + 𝜇𝑡 ,𝑘 ,𝑐 − 𝑥𝑡 2

· 𝜌𝑡 ,𝑘 (4.22)

Algunos cálculos como la distancia de Mahalanobis también se

simplifican al usar una matriz diagonal:

𝐷𝑀 = 𝑥𝑡 − 𝜇𝑡 ,𝑘 ∑𝑡 ,𝑘−2 𝑥𝑡 − 𝜇𝑡 ,𝑘

𝑇=

𝑥𝑖 ,𝑡 − 𝜇𝑖 ,𝑡 ,𝑘 2

𝜍𝑖 ,𝑡𝑘2

𝑖={𝑟 ,𝑔 ,𝑏}

(4.23)

Además de en el calculo de la distancia de Mahalanobis, la varianza

también se usa para calcular el apuntamiento de las Gaussianas

(𝜔𝑡 ,𝑘 𝜍𝑡 ,𝑘 ). Este cálculo permite ordenar las Gaussianas según la confianza

de que sean fondo. La equivalencia a esta ecuación usando tres

componentes es:

𝜔𝑡 ,𝑘

∑𝑡 ,𝑘

=𝜔𝑡 ,𝑘

𝜍𝑟2 + 𝜍𝑔

2 + 𝜍𝑏2

(4.24)


Mediante estos cálculos es posible trabajar con las tres componentes de

color en la técnica de substracción de fondo, sin realizar cambios

conceptuales en la técnica.

4.1.3.3 Factor de aprendizaje

El factor de aprendizaje (presente en las ecuaciones 4.4, 4.5, 4.8, 4.9

4.13, 4.14, 4.15 y 4.16) es un parámetro muy importante en el

comportamiento de la sustracción de fondo, y su elección debe ser

cuidadosa.

Un valor pequeño del factor de aprendizaje añadirá robustez al ruido,

dotará al algoritmo de más memoria y provocará que el tiempo desde que

un nuevo elemento se incorpore al primer plano hasta que se asimila

como fondo sea mayor; pero dificultará la capacidad de adaptabilidad del

sistema.

En este apartado se explica el comportamiento de las ecuaciones en las

que el factor de aprendizaje está presente, qué consecuencias conlleva

realizar cambios en su valor y cómo relacionar el factor de aprendizaje

con el tiempo de aprendizaje. La explicación se hace de forma genérica

suponiendo un valor de entrada (𝑠𝑡) y una estimación de su valor

esperado en cada instante (𝑠 𝑡):

𝑠 𝑡 = 𝑠 𝑡−1 · 1 − 𝛼 + 𝑠𝑡 · 𝛼 (4.25)

Este tipo de operación permite filtrar el ruido de la señal 𝑠𝑡 y adaptar la

señal estimada a los nuevos valores. La siguiente figura muestra el

comportamiento de la estimación 𝑠 𝑡 cuando 𝑠𝑡 es un escalón ruidoso.

Figura 33: Señal con un cambio abrupto y evolución de su estimación.


El valor que toma el factor de aprendizaje (𝛼) permite modular la

rapidez con la que el parámetro estimado se adapta a un nuevo valor. Las

iteraciones necesarias para aprender guardan relación con el factor de

aprendizaje: en un escalón ideal, sin ruido, la cantidad de iteraciones (𝑖𝑡𝑎)

necesarias para llegar a los dos tercios del nuevo valor se puede

aproximar como:

𝑖𝑡𝑎 ≈ 1𝛼 (4.25)

En la siguiente figura se comprueba esta ecuación, mostrando la

relación que hay entre las iteraciones que tarda un peso en ir del valor 0

al 0.666 y el factor de aprendizaje en una escala logarítmica:

Figura 34: evolución de las iteraciones necesarias para llegar al 66.6% de un valor en función del valor del factor de aprendizaje.

La relación inversa entre ambos parámetros permite facilitar la elección

del factor de aprendizaje, ya que el número de iteraciones de aprendizaje

es un parámetro más entendible a un usuario. Además las iteraciones

necesarias para el aprendizaje (𝑖𝑡𝑎) se pueden expresar en unidades de

tiempo usando el frame rate (𝐹𝑅) de la secuencia1. Así se puede calcular

el factor de aprendizaje como:

𝛼 ≈ 1𝑖𝑡𝑎

= 1(𝑡𝑎 · 𝐹𝑅) (4.25)

Donde 𝑡𝑎 es el tiempo de aprendizaje que se desea que tenga el

algoritmo. El tiempo de aprendizaje (𝑡𝑎) permite dar valores al factor de

aprendizaje partiendo de unidades de tiempo. Además, introducir el factor

1 El frame rate de una secuencia es la cantidad de imágenes por segundo a la que está grabada. El equivalente en señal a la velocidad de muestreo.


de aprendizaje en función del parámetro 𝑡𝑎 permite que todos los videos

de una base de datos tengan comportamientos parecidos, indistintamente

de su frame rate.

4.1.3.4 Movimientos de cámara

Las cámaras exteriores están expuestas a las inclemencias del tiempo,

el principal inconveniente es el viento, ya que provoca un leve

movimiento de la cámara que puede provocar errores sobre el algoritmo

de la sustracción de fondo.

Cuando una cámara se mueve, cada uno de los píxeles deja de

comportarse como lo había hecho hasta entonces y pasa a comportarse

como uno de sus píxeles vecinos. Si el comportamiento del píxel vecino es

diferente del comportamiento propio habrá una detección en primer plano

aún sin haber elementos nuevos en la escena.

Normalmente, aquellos píxeles que detecten primer plano serán los que

estén en los bordes de los objetos, ya que tendrán comportamiento

diferente a sus vecinos. En la siguiente figura se muestra un ejemplo de

detección de primer plano no deseada ante un movimiento de cámara.

Figura 35: detección de primer plano observada ante un movimiento de cámara.

Un método habitual para evitar las detecciones de primer plano debidos

a movimientos de cámara es comprar el valor de la propia Gaussiana con

las Gaussianas de los pixeles próximos. Si alguno de los pixeles vecinos

tiene una Gaussiana de fondo similar al nuevo pixel, no se realiza

detección de primer plano. Esta técnica en general funciona bien pero es

computacionalmente muy costosa.

Para solucionar este problema en este trabajo se propone un método

alternativo: Filtrar espacialmente la imagen de entrada al algoritmo. Al

filtrar la imagen la información de los pixeles vecinos se mezcla entre sí.

Cuando hay un movimiento de cámara al estar la imagen filtrada la nueva

observación del pixel se mantiene similar a la observación anterior.


Además el filtrado espacial es una técnica ampliamente discutida en

procesado de imagen, de fácil implementación, de coste computacional

aceptable y que reduce el ruido en la secuencia.

El problema del filtrado espacial es que elimina los objetos pequeños y

desenfoca los bordes de los objetos grandes. El humo es un elemento

grande y no tiene bordes marcados, así que el filtrado espacial no

significa un problema en detección de humo.

En la siguiente figura se muestra la detección de primer plano del

mismo frame que el de la figura 35 introduciendo en el algoritmo una

imagen filtrada:

Figura 36: detección de primer plano equivalente a la figura 35, en la que se ha

introducido la imagen filtrada espacialmente.

Mediante el filtrado espacial la mayoría de detecciones de primer plano

por movimiento de cámara han desaparecido.

4.1.4 Resultados de la sustracción de

fondo

El objetivo de la substracción de fondo era descartar como humo todos

aquellos elementos que fueran estáticos o conocidos. A continuación se

mostrarán los resultados obtenidos al aplicar la técnica de substracción de

fondo a una base de datos con humo. Algunos de los parámetros

utilizados en los resultados son:

𝐾 = 3. Para modelar el fondo son suficientes dos Gaussianas, y se

debe reservar una más para la detección de primer plano.

𝑇 = 0.7 La probabilidad total de fondo se marca a 0.7, así el

conjunto de elementos en primer plano siempre tendrá una

probabilidad menor a 0.3.

𝑡𝑎 = 300𝑠. El tiempo de aprendizaje se ha marcado a 5 minutos.

Aproximadamente las variaciones más rápidas a 5 minutos se


detectarán, mientras que las variaciones más lentas serán

adaptadas por el fondo.

𝐷𝑀𝑡𝑕 = 4.5. el umbral para determinar si un nuevo elemento no

forma parte de ninguna Gaussiana se fija a 4.5.

Imagen de entrada Primer plano Imagen de

entrada Primer plano

Los resultados son buenos ya que en todos los casos en que se observa

humo hay detección, pero no siempre se detecta todo el humo existente.

Las áreas de humo que no son detectadas como humo (falsos negativos)

están causadas por:

Humo que lleva tiempo en primer plano y pasa a ser considerado

fondo.

Humo que no ha variado suficientemente respecto al valor de fondo

y sigue en la misma Gaussiana que el fondo.

De todos las detecciones de primer plano en los videos analizados,

aproximadamente un 35% de las detecciones no corresponden a humo.

Estos falsos positivos corresponden a detecciones de:


Árboles que al balancearse llegan a puntos dónde no suelen estar

Coches que transitan.

Ruido de la secuencia.

Algunos movimientos de cámara que no han desaparecido con el

filtrado espacial.

En los siguientes apartados se plantea qué estrategias se proponen

(partiendo de la sustracción de fondo) para eliminar los falsos positivos, y

corregir algunos falsos negativos.

4.2 Eliminación de movimientos

rápidos

La sustracción de fondo hace un primer filtraje de los elementos que

son susceptibles de ser humo descartando en muchos casos gran parte de

los pixeles, pero aún así detecta muchos elementos que no son humo:

principalmente coches que se mueven, ruido en la secuencia, algunos

movimientos de cámara y árboles que se balancean.

La principal diferencia entre los falsos positivos detectados y el humo es

la rapidez. El humo es un elemento muy lento: es normal que un mismo

píxel observe humo durante más de 4 segundos, mientras que es raro

que un píxel observe un coche en movimiento o una nueva posición de un

árbol durante más de 4 segundos.

Para descartar de la detección los elementos rápidos preservando los

lentos se han testeado tres técnicas:

1. Filtraje temporal paso bajo: se trata de una etapa previa a la

sustracción de fondo, en la que se promedia temporalmente la

imagen de entrada para filtrar paso bajo la secuencia.

2. Filtro temporal de mediana: es una etapa previa a la sustracción de

fondo, en la que se realiza una mediana temporal de la imagen de

entrada para filtrar paso bajo la secuencia.

3. Detección continua: es una etapa posterior a la sustracción de

fondo, en la que se buscan detecciones de primer plano de forma

continuada en un mismo píxel.

En los siguientes puntos se explica el funcionamiento y concepto de

cada una de las tres técnicas posibles.


4.2.1 Filtraje temporal paso bajo

El filtraje temporal paso bajo pretende eliminar, de forma previa a la

sustracción de fondo, los elementos rápidos; al excluir los cambios

rápidos la etapa de sustracción de fondo sólo detecta los cambios lentos.

Con el objetivo de eliminar cambios rápidos, manteniendo los cambios

lentos, se usa el filtro paso bajo. Los filtros paso bajo eliminan los

elementos de alta frecuencia (cambios rápidos) manteniendo los cambios

lentos.

La implementación del filtro paso bajo se puede hacer con un promedio

temporal similar al planteado en la sección 4.1.1 “Modelo de fondo con

una Gaussiana adaptativa”. Si 𝐼𝑡 es la imagen de entrada, se calcula el

promedio temporal (𝐼 𝑡) de la siguiente forma:

𝐼 𝑡 = 𝐼 𝑡−1 · 1 − 𝛼 + 𝐼𝑡 · 𝛼 (4.26)

Donde 𝛼 es un factor de aprendizaje igual al usado en la sustracción de

fondo (4.1.3.3 Factor de aprendizaje) pero con menor tiempo de

aprendizaje. Como se observa en la siguiente figura este filtrado temporal

elimina de la imagen elementos rápidos (coches), y desenfoca elementos

móviles (como árboles).

Figura 37: Imagen en una secuencia de video (izquierda), y el mismo frame filtrado

(derecha).

Aunque se han dejado de observar los elementos rápidos al testear la

sustracción de fondo, siguen habiendo detecciones de primer plano.

La técnica no funciona según lo esperado. Efectivamente, se han

atenuado las variaciones bruscas, como de los coches que circulan pero

también se ha atenuado el ruido general de la secuencia. Al atenuarse el

ruido, baja la varianza y en consecuencia el umbral de decisión del

elemento nuevo. Los cambios bruscos persisten en proporción al ruido. En


la siguiente figura se observa la evolución de un píxel por el que pasa un

coche (izquierda) y a su derecha la señal tras ser filtrada.

Figura 38: Evolución de un pixel con una variación brusca (izquierda) y su equivalente

filtrado (derecha).

El filtrado temporal con promediado no consigue filtrar los elementos

rápidos, por ello, no se recomienda usar esta técnica en ningún caso.

4.2.2 Filtro temporal de mediana

El filtraje temporal de mediana filtra una secuencia sin que las puntas

deformen la señal, evitando el problema planteado en la sección anterior.

La mediana es una operación estadística no lineal, que toma el

elemento central al ordenar un conjunto de datos. Para usar la mediana

con píxeles de color se ordenan según su valor de luminancia y se toma el

píxel central en la ordenación.

La mediana necesita bastante memoria y procesamiento en

comparación con otros filtros: en cada iteración para cada píxel se deben

guardar sus componentes RGB en un buffer y calcular su luminancia;

posteriormente al ordenar los últimos N píxeles del buffer según su

luminancia y al tomar el valor del elemento central, se obtiene la salida

del filtro.

Aunque sea una operación costosa, la mediana consigue filtrar los

elementos rápidos preservando los lentos sin que haya detecciones de

primer plano. En la siguiente figura, se muestran los resultados obtenidos

al usar el filtro de mediana sobre la señal de un píxel en el que pasa un

coche:


Figura 39: Evolución de un pixel con una variación brusca (izquierda) y su equivalente

filtrado con un filtro de mediana (derecha).

El filtro de mediana consigue filtrar los elementos rápidos. Los únicos

inconvenientes que tiene esta técnica son sus necesidades de cálculo y

memoria; además incrementa un poco los falsos positivos por ruido.

4.2.3 Detección continua

Las dos técnicas expuestas hasta ahora son etapas previas a la

sustracción de fondo; pretenden introducir a la sustracción de fondo una

secuencia donde los elementos rápidos ya estén filtrados. La técnica de la

detección continua se basa en otra idea: en base a la detección de primer

plano de la sustracción de fondo se eliminan, posteriormente, los

elementos rápidos.

Para poder detectar qué elementos son rápidos en el primer plano; la

detección continua busca pixeles que estén más de un cierto tiempo en

primer plano. De este modo se eliminan los elementos que se mueven

rápido y están poco tiempo en un mismo pixel.

Por ejemplo, un coche que en movimiento es un elemento que

raramente provocará detección de primer plano en un mismo píxel

durante más de un segundo. En cambio el humo es un elemento que

persiste en un mismo píxel durante bastante más de un segundo.

Si durante este tiempo en un mismo píxel hay detección de primer

plano ininterrumpida el píxel es considerado primer plano lento. Así

cualquier píxel que haya estado menos tiempo del establecido en primer

plano, deja de ser considerado posible humo.


La detección continua da muy buenos resultados y su complejidad de

procesado es bastante baja. La siguiente figura muestra una posible

implantación para calcular la detección continuada:

Figura 40: Diagrama de flujo para la implementación de la detección continua

En la elección del tiempo de detección continua (𝑡𝐷𝐶) hay un

compromiso, un valor demasiado grande puede descarar humo que se

mueva relativamente rápido, mientras que un valor demasiado pequeño

detectará como lentos elementos que realmente son rápidos.

4.2.4 Conclusiones y resultados

La mejor técnica a utilizar es la detección continua, tiene unos

resultados mejores que el filtro de mediana con menor tiempo de

procesado.

A continuación se muestran algunos de los resultados que se obtienen

usando la sustracción de fondo junto con la detección continua:

Imagen original Primer plano Primer plano lento


Los resultados obtenidos tras el filtraje de elementos rápidos son

buenos, pero el área de detección del humo se reduce de media un 50%

debido a que el humo que no permanece suficiente tiempo en el primer

plano. Sin embargo el número de falsos positivos se ha reducido

aproximadamente en un 70% respecto las detecciones en sustracción de

fondo, las detecciones que aún persisten son debidas a:

Árboles que persisten en una nueva posición mucho tiempo.

Coches que aparcan.

4.3 Detección por color

El humo es un elemento que se mueve despacio, es grisáceo y

relativamente grande, las etapas analizadas hasta ahora permiten

detectar los elementos, que siendo nuevos, se mueven despacio. A

continuación se propone analizar el color de los píxeles para mejorar la

detección de humo.

Para analizar el color se proponen dos familias de parámetros:

Valor del píxel: método de clasificación basado en los valores que

toma el píxel.

Diferencia de color: método de clasificación que toma la decisión

mediante la diferencia entre el primer plano y el fondo.

En esta etapa, se analizará de forma más rigurosa el método de

comparación y validación del algoritmo, las conclusiones y los resultados

se analizaran por separado.


4.3.1 Método de comparación y

validación

Se ha establecido un método de comparación y validación ya que en

este apartado el algoritmo viene directamente diseñado por los valores de

los videos, y no por conocimientos sobre el humo como pasaba en los

apartados anteriores.

De la base de datos de videos de humo que se posee sólo se han usado

aquellos videos donde se observa el inicio de la generación de humo,

dado que en caso contrario no es posible estimar el fondo. Estos videos

han sido etiquetados de forma manual cada segundo indicando qué

píxeles son considerados humo y cuáles no.

Con los videos etiquetados para comparar qué parámetros son mejores

para la clasificación siempre se ha usado la distancia de Mahalanobis

basada en los elementos de humo.

𝑥 − 𝜇 ∑−2 𝑥 − 𝜇 𝑇

> 𝐷𝑀𝑡𝑕 → 𝑁𝑜 𝐻𝑢𝑚𝑜

𝑥 − 𝜇 ∑−2 𝑥 − 𝜇 𝑇

< 𝐷𝑀𝑡𝑕 → 𝐻𝑢𝑚𝑜

(4.27)

Donde 𝑥 es un vector a clasificar con los parámetros, 𝜇 es la media de

los parámetros en el entrenamiento y ∑−2 su matriz de covariancia.

Al variar la distancia de Mahalanobis umbral (𝐷𝑀𝑡𝑕), a partir del cual se

clasifican los elementos como humo, se incrementan las decisiones

correctas pero a la vez a la vez se incrementan los falsos positivos. Para

que el valor del umbral no interfiera en la decisión de qué clasificación es

mejor, se usan las curvas ROC.

Las curvas ROC dibujan, para diferentes valores de un umbral, la

relación entre clasificaciones correctas (TP) y falsas clasificaciones (FP).

En la siguiente figura se muestran ejemplos de curvas ROC.


Figura 41: Ejemplos de curvas ROC mostrando la calidad de una clasificación

Cuanto más próxima sea una curva ROC al extremo superior izquierdo

mejor será la clasificación, ya que habrá más detecciones correctas (TP)

por menos falsas detecciones (FP).

Junto con un método de comparación se establece un método de

validación: el método de validación cruzada „leave-one-out‟. El método

consiste en omitir recursivamente un video para entrenar al algoritmo y

usar el video omitido para evaluar la clasificación. Si esta es buena

independientemente del video omitido, el método de clasificación será

válido.

En resumen, para cada conjunto de parámetros en estudio se

representarán tantas curvas ROC como secuencias de video. Cada una de

las curvas ROC se representará mediante la clasificación de una sola

secuencia, obtenida mediante la variación del umbral de la distancia de

Mahalanobis. Los demás videos se usan para calcular la covarianza y la

media para el cálculo de la distancia. El siguiente diagrama explica de

forma esquemática este proceso:


Figura 42: Diagrama sobre cómo se realiza el método de validación y comparación

4.3.2 Valor del píxel

El humo tiene un color blanco grisáceo que para el ojo humano es

diferenciable de otros elementos como vegetación o coches. Para

clasificar el humo mediante el color se propone buscar si hay un patrón en

el valor que toman los píxeles de humo.

4.3.2.1 Color del píxel

El color con el que los seres humanos observamos de las cosas es una

combinación de cómo responde nuestro ojo a las tres longitudes de onda

donde este es sensible, que corresponden a los colores primarios rojo,

verde y azul.

En la digitalización del color se usa la combinación de estos tres colores

básicos para definir el color de un píxel, esta forma de expresar el color

se conoce como modelo RGB. La validez o no de este modelo ha estado

ampliamente discutida2 ya que presenta ciertas carencias y muchos otros

modelos de color se han propuesto solucionando alguna de ellas: CMYK,

YCbCr, HASV, Lab, Luv, …

Para la clasificación por color se han testeado muchos espacios de color

diferentes, buscando un espacio de color que facilitara la clasificación del

humo. Los resultados obtenidos han sido muy similares

2 Insertar referencia al ponyton


independientemente del modelo, así que por motivos computacionales los

resultados que se muestran son sobre el modelo de color RGB.

Usando el método de validación explicado en el apartado anterior y los

valores RGB que toman los píxeles de humo, las curvas ROC que se han

obtenido son:

Figura 43: Curvas ROC de la clasificación usando el valor del píxel

Los resultados no son excesivamente buenos: la calidad depende d

como se haya separado la base de datos, y en uno de los videos se

clasifica como humo más elementos negativos que no positivos.

La clasificación no es correcta ya que en algunas secuencias de video

poco contrastadas o muy brillantes (figura 42) el valor que toman los

elementos que no son humo es muy similar al color del propio humo

errando fácilmente las clasificaciones.

Figura 44: Ejemplo de imagen con humo pero poco contrastada


4.3.2.2 Color normalizado

Se propone trabajar con imágenes ecualizadas para evitar que los

elementos que no sean humo tomen valores próximos a los típicos del

humo.

Ecualizar una imagen es modificar el valor de sus píxeles para que su

histograma pase a ser lo más plano posible. En la siguiente figura se

muestra el ejemplo de una imagen de entrada con sus histogramas RGB y

la equivalencia tras la ecualización.

Figura 45: Imágenes e histogramas antes y después de efectuar una ecualización

Tras la ecualización muchos falsos positivos pasan a tener valores

oscuros diferenciables del humo ya que el humo es uno de los elementos

más claros en una secuencia. El uso de los valores tras la ecualización

permite que la clasificación sea mejor respecte a la obtenida usando los

valores que tomaba la secuencia directamente:


Figura 46: Curvas ROC clasificando mediante el valor del pixel ecualizado

La clasificación después de la ecualización es realmente buena y

descarta muchos falsos negativos. El color normalizado se usará en la

clasificación final por color.

4.3.3 Variación de color

El humo no es un elemento totalmente opaco, sino que es

semitransparente, así un píxel representará a la vez el color del humo y el

color del fondo de detrás. Se propone, en vez de observar directamente el

color de un píxel, observar cómo éste se ha diferenciado de su fondo.

La estimación del color del fondo se hace a partir de la sustracción de

fondo (4.1 Sustracción de fondo), tomando la media que tiene la Gaussiana

con más peso. Utilizando este fondo y un nuevo valor, se puede observar

cómo se ha modificado el valor de un píxel.

4.3.3.1 Distorsión de color

La distorsión de color es una técnica propuesta desde la universidad de

Maryland (Horprasert, Harwood y Davis 1999) para detectar las sombras

después de la sustracción de fondo. Esta técnica se puede utilizar también

para la detección de humo ya que la problemática es similar: las sombras,

al igual que el humo, son detectadas como primer plano pero su color

depende del color que hubiera anteriormente en ese mismo píxel.

Teniendo las componentes de color del fondo (𝐵), y del primer plano

(𝐹), la metodología de Horprasert detecta las sombras mediante los

parámetros „brighntess distortion’ y ‘colour distortion’ (𝐶𝐷).


Brightness distortion(𝛼𝑖): Es el valor por el que se debe de

multiplicar el vector de fondo para que tenga una distancia mínima

con el vector de primer plano. Cuantifica cuanta luminosidad ha

perdido el vector de color. En sombras se espera que tome valores

entre el 0 y el 1.

𝛼𝑖 = argα min 𝐹 − 𝛼𝑖𝐵 2

→ 𝛼𝑖 =𝐹𝑇 · 𝐵

𝐵 2 (4.28)

Colour distortion(𝐶𝐷): Cuantifica la distancia mínima entre el vector

de primer plano y el de fondo ya normalizado según la Brightness

distortion. Sirve para indicar cuánto ha variado el tono entre fondo

y primer plano. En sombras se espera que tome valores muy bajos

ya que su tono debería ser similar.

𝐶𝐷 = 𝐹 − 𝛼𝑖𝐵 (4.29)

Este tipo de detección se basa en que una sombra tenderá a tomar

valores entre el color original del fondo y el negro, proyectándose sobre la

línea que une a ambos. En la siguiente figura se representa dentro del

espacio de color un ejemplo:

Figura 47: Ejemplificación gráfica de la brighntes distortion y la colour distortion

Para la detección de humo se puede aprovechar este método. La

diferencia es que en el caso del humo se espera que el humo tome

colores entre el color de fondo hasta un color destino (𝐻) que en sombras

es el color negro, pero que ahora se deja sin especificar. Al introducir el


color destino en las ecuaciones el brightness distortion y el colour

distortion se pasan a calcular cómo:

𝛼𝑖𝑕 = argα min 𝐹 − 𝛼𝑖𝑕 𝐵 − 𝐻 − 𝐻 2

→ 𝛼𝑖𝑕 = 𝐵 − 𝐻

𝑇· 𝐹 − 𝐻

𝐵 − 𝐻 2 (4.30)

𝐶𝐷𝑕 = 𝐹 − 𝛼𝑖𝑕 𝐵 − 𝐻 − 𝐻 (4.31)

Esta modificación permite observar si un nuevo píxel (F) toma valores

entre el color de fondo (B) y un color destino (H):

Figura 48: Ejemplificación grafica de los de brighntes distortion y color distortion en la

alternativa para humo

Utilizando esta metodología y usando como color destino el blanco puro

[R=255,G=255,B=255] se extraen los parámetros brightness distortion y

colour distortion de los videos en la base de datos y se calculan las

nuevas curvas ROC:

Figura 49: Curvas ROC de clasificación con brightes distortion y colour distortion

adaptadas a humo


Los resultados son buenos para la mayoría de los videos, exceptuando

dos; uno de los cuales tiene unos resultados extremadamente malos.

Como estamos usando el método de leave-one-out y la base de datos es

pequeña, si el algoritmo falla en un video se debe rechazar el método ya

que no se puede asegurar que el método sea robusto a cualquier

secuencia.

La clasificación ha fallado para una secuencia, ya que el colour

distortion en esta secuencia es muy diferente de las otras. En la siguiente

figura se muestra un diagrama de dispersión con los datos para clasificar.

Figura 50: Diagrama de dispersión para todos los videos de los elementos de humo y no humo. En rojo los positivos y en azul los negativos. Cada uno de los videos está

representado por un símbolo distinto

Al realizar la clasificación se ha observado que uno de los videos (cian

en las curvas ROC estrellas en el figura 48) tiene un comportamiento

distinto a los demás en colour distortion. En el diagrama de dispersión

también se observa que la clasificación se podría hacer usando solo el

brightness distortion.

Esto es debido a que el humo siempre tiene un color más cercano al

blanco que no al fondo pero su tono no tiene por qué mantenerse. En

consecuencia se plantea usar tan solo el Brightness distortion para la

clasificación, las curvas ROC obtenidas son:


Figura 51: Curvas ROC obtenidas clasificando solo con el Brightness distortion

Los resultados de esta clasificación son buenos y juntamente con los

del color normalizado serán usados para la clasificación final de color.

4.3.4 Combinación de parámetros

Tanto la diferencia de color como el color ecualizado son soluciones

válidas. Se plantea combinar los parametros de ambos clasificadores para

obtener los puntos fuertes de ambos.

Usando los cuatro parametros (3 color ecualizado + brightness

distortion) los resultados obtenidos son realmente buenos:

Figura 52: Curvas ROC obtenidas con los tres parámetros de color ecualizado y la brightness distortion.

La combinación de estos cuatro parámetros permite separar

perfectamente los elementos que son humo de los que no lo son. Son los

cuatro parámetros que se usarán para clasificar en función del color.


Con la finalidad de facilitar el cálculo computacional, las fronteras se

marcan sin usar matrices completas e independientemente de cada

parámetro. El valor del umbral de cada frontera se ha obtenido usando la

media de las distancias de Mahalanobis 3.5 sobre cada uno de las

clasificaciones de la curva ROC.

Color Rojo ecualizado > 0.55.

Color Verde ecualizado > 0.6.

Color Azul ecualizado > 0.6.

Brightness distortion < 0.85.

Los resultados obtenidos con estas fronteras no son tan perfectos como

si se hubiera usado matrices completas que dibujarían fronteras

complejas aún y así son buenos. La cantidad de píxeles que siguen siendo

positivos supera en todos los videos el 70%; mientras que la cantidad de

píxeles negativos que pasan a ser descartados es siempre mayor al 75%,

incluso en algunos casos se descartan todos los negativos.

Los falsos positivos que siguen existiendo son debido a:

Árboles que al balancearse dejan ver un fondo más claro y que

anteriormente no se había aprendido.

Coches que estaban aparcados y al salir de su posición dejan ver el

fondo, que es más claro que el propio coche.

4.3.5 Conclusiones de la clasificación

por color

Aunque se han obtenido resultados buenos, la detección por color es

más difícil de lo que aparentemente parece y estos resultados no tienen

por qué funcionar en cualquier secuencia nueva.

En general el humo tiene un color claro, pero hay muchos factores lo

hacen variar:

Tipo de combustión: el color del humo viene determinado por el tipo

de combustión, un fuego muy activo provocará que el carbono de

los combustibles se libere provocando un humo oscuro mientras que

por ejemplo un fuego en un entorno vegetal muy húmedo tendrá un

color muy blanco debido al vapor de agua.

Fondo: el humo no es opaco sino que es semitransparente, un píxel

puede observar a la vez el color del humo y el color del fondo de

detrás.


Configuración de la cámara: el balance de blancos o la exposición

de la cámara pueden alterar el color que tendrá el humo en una

secuencia.

Luz de la escena o fuego: el humo se impregnará de la luz de su

entorno. Si hay mucho fuego el humo tomará tonos rojizos. Si está

iluminado por luz directa tendrá un color más amarillento que si no

tiene luz directa, …

El método planteado en este apartado funciona muy bien para la base

de datos que se posee pero esta podría no ser correcta para entrenar el

color del humo.

Las secuencias de humo disponibles en la base de datos son humos en

los que se observa su inicio. Estas secuencias son muy útiles ya que el

detector necesita poder comparar como era la secuencia cuando no había

humo. El problema que tienen es que son fuegos provocados en un área

controlada en una época sin riesgo y es posible que en épocas con más

riesgo, en aéreas sin control y con fuegos espontáneos el color observado

sea diferente.

Por este motivo se cree que la etapa de detección de color debería ser

testeada con una base de datos más amplia.

4.4 Análisis de componentes conexas

Tras la etapa anterior para cada píxel se obtiene un booleano que indica

si el píxel sigue los patrones de color y movimiento del humo.

Por la naturaleza de las imágenes, los píxeles que cumplan patrones de

color y movimiento tenderán a agruparse en regiones de píxeles conexos,

cada una de estas regiones corresponderá a elementos físicos. En la

siguiente figura se muestra un ejemplo de la detección al final del

apartado anterior.

Figura 53: Frame de una secuencia con humo (izquierda) y la detección en ese frame.


Aprovechando que cada grupo de píxeles conexos corresponde a

elementos diferentes de la imagen, es posible distinguir diferentes

elementos de la imagen usando segmentación por componentes conexas.

La segmentación por componentes conexas consiste en agrupar como un

solo elemento todos aquellos píxeles individuales de detección que estén

conectados entre sí. En la figura anterior había 20 elementos conexos

distintos, cada uno se muestra de un color distinto en la siguiente figura:

Figura 54: Detección segmentada por regiones conexas, cada región diferentes se presenta con un color distinto

Una vez segmentada la imagen es posible mejorar la detección de

humo mediante las propiedades de cada grupo conexo de píxeles.

Mediante los tests realizados, se ha observado que el tamaño es una

propiedad que diferencia muy bien el humo de otros elementos

detectados ya que, el humo tiende a tomar un área importante de la

imagen en comparación con las otras detecciones.

Exsite un compromiso en la elección del umbral a partir del cual se ha

de detectar humo. Mientras que un valor pequeño dejará pasar muchos

falsos positivos; un valor demasiado grande provocará una demora en la

primera detección de humo. En la detección de incendios, la primera

detección es la más importante, ya que es la que da la alarma de un

posible fuego. Es preferible tener algunos falsos positivos antes que no

que la primera detección de humo se demore minutos.

En las pruebas realizadas la separación por tamaño de componentes

conexas da resultados buenos para la separación de humo y no humo.

Establecer un umbral donde se descarten todos aquellos elementos con

un área menor al 0.05% del área total de la imagen, descarta alrededor

del 90% de los falsos positivos mientras que se mantiene el 95% de los

elementos positivos. (Para más resultados ver sección 4.6 Resultados de

la detección de humo).


Mediante este umbral, el resultado de la detección en el frame de la

figura 53 sería:

Figura 55: detección obtenida tras el análisis por componentes conexas.

En todos los videos y en todas las zonas de la imagen se ha usada el

mismo umbral. Esta forma de trabajar sería mejorable si se supiese lo

lejos que esta cada pixel de la cámara y el tipo de lente que se está

usando. Con esta información sería posible establecer unos umbrales que

vayan en función del tamaño real del elemento detectado y no en función

del área al proyectarse.

Esta es la última etapa del algoritmo donde se detecta humo, cualquier

error que pase esta fase será un error final del algoritmo.

4.5 No aprendizaje

Todas las etapas analizadas hasta ahora se ocupaban de descartar

aquellos elementos que no fuesen humo, esta etapa por el contrario se

ocupa de que no haya elementos que siendo humo no se detecten (falsos

negativos). Los falsos negativos observados fruto de las etapas anteriores

son:

1. Humo que permanece de forma fija en primer plano y pasa a ser

considerado fondo.

2. Humo que no ha variado suficientemente respecto al valor de fondo

y sigue en la misma Gaussiana que el fondo.

3. Humo demasiado rápido o que lleva poco tiempo en primer plano.

4. Humo que no cumple las condiciones de color.

5. Humo que no ha crecido suficiente y es demasiado pequeño para

ser detectado.

Cada uno de estos falsos negativos va ligado a un umbral, que al

variarlo, modifica a la vez los falsos positivos:


1. 𝑇: es la mínima porción de datos (suma de pesos) que debe

pertenecer al fondo, hacerlo menor provocará que elementos en

primer plano se incorporen más tarde al fondo. Sección 4.1.2.4.

2. 𝐷𝑀𝑡𝑕 : indica a partir de que umbral se debe considerar que un

elemento ya no corresponde a una Gaussiana. Disminuir su valor

permite que el humo que varíe poco respecto al fondo se detecte

mejor, pero provoca la creación de más Gaussianas por ruido.

Sección 4.1.2.2.

3. 𝑡𝐷𝐶: es el tiempo de detección continua, indica el tiempo necesario

en primer plano para que un elemento sea considerado de

movimiento lento. Sección 4.2.3.

4. Umbral sobre color ecualizado y brightness distortion: son los

umbrales sobre la detección por color. Sección 4.3.4.

5. Umbral sobre el tamaño: indica qué porcentaje del área debe

ocupar una detección para ser considerada como tal. Valores

grandes dilatan el tiempo que se tarda en empezar a detectar un

nuevo humo. Sección 4.4.

De todos estos umbrales asociados a falsos negativos el que más llama

la atención es el primero ya que es el único que pasado cierto provocará

que el humo se deje de detectar.

Recordando lo contado en la sección 4.1.2, al aparecer un nuevo

elemento a este se le asigna una nueva Gaussiana con un peso inicial,

peso que se irá incrementando paulatinamente si el elemento sigue

presente en la imagen. Mientras el valor del peso de la Gaussiana sea

pequeño, el elemento será considerado primer plano, pero transcurrido

suficiente tiempo la Gaussiana se incorporará al fondo.

Este fenómeno provoca que pasado cierto tiempo el humo se

incorporare al fondo y desaparezca la detección. En la siguiente figura se

muestra un caso con esta problemática:


Figura 56: Frame y rodeado en rojo la detección de humo, se puede observar como la base del humo no es detectado, esto es debido a que ha sido aprendida por el algoritmo

de detección de primer plano.

Solucionar este problema modificando el valor del parámetro 𝑇 provoca

que aparezcan a la vez muchos falsos positivos, debidos a elementos que

dejan de ser considerados fondo. Para solucionarlo se propone que una

vez detectado el humo se restablezcan los parámetros que tenían las

Gaussianas antes de que hubiese detección, evitando que el modelo

aprenda los valores que corresponden al humo. Así se evita que

posteriormente sea considerado fondo.

Para implementar esta etapa, se debe de tener en cuenta la etapa de

detección continua. Los parámetros que se restablecerán del modelo de

imagen (𝜔𝑘 ,𝑡 , 𝜍𝑘 ,𝑡 , 𝜇𝑘 ,𝑡) no deben ser los de la iteración anterior a la

detección de humo, sino los anteriores a la primera detección de la

detección continúa:

𝑠𝑖 𝑕𝑢𝑚𝑜 →

𝜔𝑘 ,𝑡 = 𝜔𝑘 ,𝑡−𝑡𝑑𝑐

𝜍𝑘 ,𝑡 = 𝜍𝑘 ,𝑡−𝑡𝑑𝑐

𝜇𝑘 ,𝑡 = 𝜇𝑘 ,𝑡−𝑡𝑑𝑐

(4.32)

En la siguiente figura se muestra el diagrama de bloques que muestra

como operar esta fase dentro del conjunto de todo el algoritmo:


Figura 57: Diagrama de bloques de cómo integrar el no aprendizaje al conjunto del algoritmo.

Esta implementación permite solucionar el problema anteriormente

expuesto y hace desaparecer los falsos negativos debidos a humo que

pasa a ser considerado fondo. Hasta ahora, el umbral 𝑇 tenia valores

pequeños para evitar que el humo pasara a ser fondo, ahora el humo no

puede ser aprendido y se puede subir el umbral 𝑇 teniendo menos falsos

positivos. El único límite en la elección del umbral 𝑇 es que un Gaussiana

debe tardar más tiempo a ser considerado fondo que no el umbral de

tiempo de detección continuada (𝑡𝐷𝐶), sino un pixel nunca pasará la

detección continuada y nunca habrá detección.

Figura 58: Detección equivalente a la de la figura 53 con el no aprendizaje

implementado


4.6 Resultados de la detección de

humo

Finalmente se analizan los resultados obtenidos en la detección de

humo. La explicación se divide en tres apartados:

1. Base de datos: se explica cómo es la base de datos de secuencias

de video sobre la que se ha testeado el algoritmo propuesto.

2. Condiciones del experimento: se explica cómo se ha hecho el

experimento y cuáles han sido los parámetros utilizados.

3. Resultados: se muestras los resultados obtenidos y se valoran los

errores obtenidos.

4.6.1 Base de datos

La base de datos que se posee de secuencias con humo es amplia pero

solo unos pocos videos se han podido utilizado para la testear el

algoritmo, las condiciones que se han impuesto para que un video sea

válido para testear el algoritmo son:

En el inicio de la secuencia de video no debe haber humo para

poder trabajar con un fondo seguro.

La secuencia debe ser más larga de 20 segundos, para poder

observar con precisión como trabaja el algoritmo.

El humo debe ser de tipo forestal, secuencias con humo

extremadamente negro (como el de quemar neumáticos) o humo

muy tenue (como el que sale de una chimenea particular) no se han

usado.

A continuación se muestra una ficha de los únicos 7 videos en la base

de datos que cumplen estas condiciones:

Nombre identificativo: Puente (11‟02‟‟)

Video: Plano general de un puente sobre un río, incluye un árbol en primer plano. El humo aparece y se diluye desplazándose hacia la derecha.


Nombre identificativo: Cresta-Sucio (3‟17‟‟)

Video: Plano picado. En primer plano hay una cresta con un bosque. En

segundo plano se observa el valle. Aparece el humo en la cresta que se termina diluyendo.

Nombre identificativo: Cantera (6‟41‟‟)

Video: Camara picada sobre una cantera, en ella empieza un humo en la

parte extrema derecha que desaparece por el margen.

Nombre identificativo: Cresta (2‟07‟‟)

Video: Escena medio picada que incluye en primer plano la cresta de un

monte con un bosque. En segundo plano hay una extensa panorámica. El humo aparece en el centro de la cresta y se diluye con el entorno.


Nombre identificativo: Reflejo (10‟ 01‟‟)

Video: Se trata de un plano general de una ciudad que incluye cielo y un

árbol en movimiento en primer plano. Hay pixeles donde la imagen está

saturada. El humo empieza muy opaco y a continuación se va diluyendo volviéndose más transparente hasta finalmente desparecer.

Nombre identificativo: Rama (11‟02‟‟)

Video: Plano medio-picado de un sistema montañoso que termina en una

ciudad. El humo aparece desde detrás de la cresta de una montaña y se va

diluyendo subiendo hacia arriba.

Nombre identificativo: Camino (3‟192‟‟)

Video: Plano (con mucha resolución) de la ladera de una montaña donde

sube un camino. En medio del camino aparece un poco de humo, que luego

desaparece. Un minuto después revive manteniéndose hasta el final de la

secuencia.

El testeo del algoritmo, no solo se ha hecho sobre secuencias donde se

observa cómo empieza el humo, además también se ha testado para

secuencias donde no hay humo y en donde el algoritmo no debería hacer


ninguna detección. A continuación se muestra una ficha de los videos

utilizados para esta tarea:

Nombre identificativo: CanteraNegativo1 (21‟‟)

Video: Cámara picada con zoom sobre una cantera, es muy estática, tan

sólo se observa como coches de bomberos se mueven de vez en cuando.

Nombre identificativo: CanteraNegativo2 (2‟ 33‟‟)

Video: Cámara picada con zoom sobre una cantera, es muy estática tan sólo se observa como coches de bomberos se mueven de vez en cuando. Muy

parecida a CanteraNegativo1.

Nombre identificativo: Panorámica (45‟‟)

Video: Panorámica de unas montañas sobre las que se observa el

movimiento de sombras de nubes. En el segundo 14 hay un cambio en la

exposición de la cámara que hace que la secuencia sea repentimanete más

clara.


Nombre identificativo: Cerrado (44‟‟)

Video: Plano cerrado de unas montañas sobre las que se observa el

movimiento de sombras de nubes.

Nombre identificativo: Ladera (45‟‟)

Video: Plano cerrado de la ladera de una montaña. Hay unos movimientos

muy lentos de sombras de nubes.

Nombre identificativo: Monte (44‟‟)

Video: Cámara sobre un monte en el que se observa movimientos de

sombras de nubes.

4.6.2 Condiciones del experimento

El algoritmo ha sido programado en MATLAB® 2010 y consta de dos

etapas:


En una primera etapa se pasa repetidamente el inicio de la

secuencia sin humo por la etapa de substracción de fondo, así se

fuerza a que el modelo de imagen haya convergido al llegar el

humo.

En la segunda etapa ya se aplica directamente el algoritmo

explicado sobre la secuencias de video enteras.

La elección de los parámetros utilizados es complicada ya que cada

video se puede optimizar con valores distintos. La elección final da

resultados aceptables para todos los videos usando los siguientes

parámetros:

Parámetro Valor [unidad]

Justificación

Numero de Gaussianas (𝐾)

2 Se usan 2 Gaussianas ya que el fondo como máximo tendrá dos elementos, y si

además hubiese humo estaría en primer

plano.

Radio de pixeles de

desenfoque

2 [px] Con los test realizados al estudiar los

movientes de cámara (sección 4.1.3.4)

dos pixeles son suficientes para evitar

estas falsas detecciones.

Tiempo de aprendizaje

(𝑡𝑎)

150 [s] El tiempo de aprendizaje en base a

pruebas se ha fijado en 150 segundos

Mínima porción de

datos en el fondo (𝑇)

0.9 La etapa de no aprendizaje que evita que

el humo pierda la detección de primer

plano. Se le asigna al humo una probabilidad mínima del 0.9

Distancia de Mahalanobis umbral

para nueva

Gaussiana(𝐷𝑀𝑇𝐻)

3 Es una distancia típica de Mahalanobis que incluye todo el espacio en el que se

desarrolla una función Gaussiana.

Tiempo de detección

continuada(𝑡𝐷𝐶)

4 [s] En base a pruebas cuatro segundos de

detección continuada no demoran mucho

la detección del humo, pero evitan

muchas falsas detecciones.

Umbral sobre rojo

ecualizado

0.55 Umbral decidido en la sección 4.3.4

Umbral sobre verde

ecualizado


Umbral sobre azul

ecualizado


Umbral sobre

Brightness distortion


Porcentaje de área

para detección

0.025% Umbral decidido en la sección 4.4


Para poder medir cuantitativamente los resultados se han etiquetado

manualmente los videos en la base de datos. No todos los frames han

sido etiquetados sino que sólo se ha etiquetado un frame cada segundo.

El etiquetaje ha sido hecho por una sola persona identificando

manualmente aquellas regiones que él consideraba humo.

4.6.3 Resultados de la detección de

humo.

Se han testeado los 7 videos de humo y los 6 videos negativos

utilizando los mismos parámetros en el algoritmo.

Para evaluar los resultados de los videos se han elegido tres

parámetros que evalúan la calidad de la detección de los positivos:

Demora en la detección: consiste en el tiempo que pasa desde que

se observa el humo por primera vez hasta que el algoritmo hace la

primera detección. Interesa que sea lo menor posible.

Porcentaje medio de área de humo detectada: se compara el área

de detección automática con el área obtenida de una etiquetación

manual. Interesa que sea lo más cercano al 100% posible.

Numero de falsas detecciones: se observa la detección obtenida y

se calculan cuantos elementos han sido falsamente detectados

como humo.

Los resultados obtenidos para los videos con humo han sido:

Nombre

identificativo

Demora en la

detección

Media % de

área de humo detectada

Numero de falsas

detecciones: (duración)

Puente 20 segundos 24.1% 0

Cresta-Sucio 5 segundos 76.1% 2 (42 y 36 segundos)

Cantera 14 segundos 58.4% 0

Cresta 6 segundos 81.5% 1 (22 segundos)

Reflejo 12 segundos 62.7% 1 (19 segundos)

Rama 9 segundos 97.3% 0

Camino 32 y 12segundos 59.4% 0

Aunque las demoras obtenidas (entre 5 y 30 segundos) no tienen

valores preocupantes es importante que la demora en la detección sea lo

menor posible, ya que cuanto antes se detecte un humo antes podrán

reaccionar las autoridades pertinentes para extinguir el fuego que lo esté

causando.


La demora en la detección viene causada por dos etapas: la de

detección continuada y el análisis de tamaño de componentes conexas. La

detección continuada demora la detección igual en todos los videos (en

este caso 4 segundos) y es imposible reducirla. La segunda, el análisis de

tamaño por componentes conexas, añade un retraso que es función de lo

rápido que se expanda el humo. Un humo que al principio ocupe poca

área no será detectado hasta que su tamaño sea suficientemente grande.

Observando cuales son los videos con una demora mayor, se puede

observar que la demora va en función de la distancia a la que se observe

el humo respecto la cámara. Para mejorar estos valores sería interesante

mejorar el análisis por componentes conexas insertando un umbral

variable con la distancia a la cámara.

Aunque el área total de humo detectada en porcentaje interesa que sea

lo más próximo posible al 100%, siempre que haya detección sea

considerará que el algoritmo ha funcionado. El parámetro sirve para

hacerse una idea de cuánto cerca ha estado el algoritmo de no hacer la

detección. Un valor muy pequeño significará que gran parte del humo no

se ha detectado y que el algoritmo ha estado cerca de no realizar la

detección.

Los resultados que se han obtenido son muy dispares (van desde el

20% hasta el 85%) los motivos por los que un video puede tener un bajo

porcentaje de detección vienen determinados por la velocidad y la

opacidad del humo. Un humo que se mueva demasiado rápido será

descartado por la detección continuada, por otro lado un humo que se

poco opaco no será detectado por el algoritmo de substracción de fondo.

Finalmente, en todos los videos analizados solo se han detectado cuatro

elementos, que sin ser humo hayan sido detectados como tal. En la

siguiente figura se muestran estas cuatro detecciones erróneas.

Figura 59: Detecciones erróneas en el algoritmo

Tres de las cuatro falsas detecciones son debidas a árboles que se

balancean hasta pixeles donde no habían estado hasta entonces y dejan

ver un fondo que siendo más claro es confundido por color con el humo.


El último caso es debido a un coche aparcado aprendido por el algoritmo

de fondo que al salir de su aparcamiento deja a la vista el fondo que por

color es confundido como humo y detectado como tal.

Parece lógico que los elementos hayan podido ser confundidos por el

algoritmo como humo: son primer plano, son cambios lentos, los nuevos

colores podrían ser humo, y tienen tamaños relativamente grandes.

La forma de evitar estas detecciones debería ser con un aprendizaje del

fondo mejor. Si el aprendizaje del fondo se hubiera prolongado más

tiempo estos cambios deberían haber sido previamente observados y

aprendidos y no habría este problema. La otra solución que se plantea es

indicar manualmente qué regiones de la imagen son susceptibles de

observar errores y anular las detecciones que pueda haber en

aparcamiento o contornos de árboles.

Al testear los resultados sobre la base de datos de videos negativos el

único parámetro escogido para la evaluar la detección es el número de

falsos positivos y sus duraciones:

Nombre identificativo Numero de falsas detecciones Duración

CanteraNegativo1 0 -

CanteraNegativo2 1 3 [s]

Panorámica 1 28 [s]

Cerrado 4 21, 18, 17, 4 [s]

Ladera 0 -

Monte 0 -

En los errores detectados en los videos con humo diferenciamos tres

casos.

Errores debidos a cambios de exposición de la cámara.

Errores debidos a sombras de nubes en movimento.

Errores debidos a coches que se mueven.

En el video CanteraNegativo2 hay un cambio de la exposición de la

cámara que provoca que la secuencia sea de repente más clara, esto

provoca una detección general de primer plano, al ser un cambio de

iluminación hacia un color más claro el color es susceptible de ser humo y

provoca una detección de humo general:


Figura 60: Detección en el video CanternaNegativo2 debida a un cambio de exposición

en la cámara.

Para evitar este tipo de detección el algoritmo puede incluir un detector

de cambios de exposición basado en observar si todos los vectores de

color de los pixeles varían hacia una misma dirección. Otro solución para

evitar estas detecciones es analizar si las regiones detectadas que crecen

demasiado rápido.

Uno de los otros errores reportados es debido a sombras de nubes que

se desplazan sobre la las montañas. En algunos pixeles al desaparecer la

sombra de la nube el cambio de luz provoca una falsa detección de humo.

Figura 61: Detección en el video Cerrado debido al desplazamiento de sombras de nubes.

El problema es que debido a la duración de las secuencias el algoritmo no

ha podido observar la montaña con iluminación y al desplazarse la nube,

la montaña iluminada es detectada como elemento nuevo. En secuencias

más largas debidamente entrenadas estos problemas no deberían pasar

ya que el algoritmo habría visto anteriormente el monte iluminado.

Finalmente, el último error detectado en secuencias de video sin humo es

un coche que desaparca y al destapar su fondo éste es detectado como

humo:


Figura 62: Detección errónea en el video CanteraNegativo2 debido a un coche que abandona su posición.

Este error ya había sido observado en los videos con humo y podría ser

evitado con un entrenamiento mayor.

4.7 Conjunto y posibles mejoras

La detección se basa en cinco etapas principales: Sustracción de fondo,

eliminación de movimientos rápidos, detección por color, análisis

componentes conexos y no aprendizaje.

En modo resumen a continuación se muestra un diagrama de bloques

de todo el sistema de clasificación del humo.

El diagrama muestra todo el proceso a nivel de píxel aunque algunos

bloques (como la ecualización o el análisis por componentes conexas) son

dependientes de los demás píxeles en la imagen.


Figura 63: Diagrama de bloques de todo el conjunto del algoritmo.

El conjunto del algoritmo podría ser mejorado con alguna de las

siguientes mejoras:


Mejorar la sustracción de fondo: una cámara en un bosque puede

estar meses incluso años sin tener ninguna detección de humo,

aprovechando convenientemente la observación se puede predecir,

en cada momento, como se espera que sea la luz, donde hay

árboles móviles, donde hay un parking… Toda esta información se

podría utilizar para mejorar el aprendizaje y evitar falsas

detecciones.

Mejorar la detección por color usando una base de datos algo mayor

y con fuegos no provocados sino de inicio natural.

Utilizar un umbral por tamaño que vaya en función de la lejanía:

como se plantea en el apartado 4.4 si se posee información sobre el

terreno que se está grabando y el tipo de lente utilizada se pueden

plantear umbrales variables por tamaño en función de la distancia al

objetivo.

Mejorar el análisis por componentes conexas, el humo es un

elemento que evoluciona, mediante un seguimiento de cómo varia

el área de una detección, se podría mejorar la detección.

Variabilidad de los umbrales: Las autoridades medioambientales

utilizan unas escalas de riesgo en función de las posibilidades de

que empiecen fuegos forestales. Sería interesante adaptar el

algoritmo a las escalas de riesgo, haciéndolo más sensible a

alarmas en épocas de más riesgo.


5 Conclusiones finales del

trabajo

El presente proyecto final de carrera ha girado alrededor de la

posibilidad de implementar un algoritmo de detección de incendios

forestales basado en técnicas de procesado de imagen.

Los sistemas existentes hasta ahora son diversos y se pueden clasificar

por la formo de controlar el área en riesgo y el tipo de sensor para la

detección.

El área en riesgo se controla desde cámaras terrestres, vehículos

aéreos o satélites artificiales. El método a utilizar dependerá del área que

se desee controlar y a la vez del presupuesto disponible. Las áreas

pequeñas acostumbran a controlarse desde cámaras terrestres situadas

en puntos altos, esta detección puede ser mejorada usando vehículos

aéreos que amplíen la zona de control. Para controlar áreas de

dimensiones continentales se usan los satélites artificiales.

Los principales tipos de sensor utilizados para la detección de incendios

forestales son el sensor infrarrojo y el sensor de espectro visible, pero

otros tipos de sensores como la tecnología LIDAR también son utilizados.

El sensor infrarrojo permite detectar la temperatura de los elementos

haciendo fácil la detección de fuego a corta distancia. La detección a larga

distancia es más complicada debida a la absorción atmosférica y a que la

vegetación mediterránea puede alcanzar temperaturas muy altas en

verano.

Los sensores de espectro visible basan su detección en las técnicas de

procesado de imagen y se puede diferenciar entre las técnicas que buscan

patrones de fuego y las que los buscan de humo. Al igual que con la

detección por infrarrojo, el problema aparece con la distancia: el fuego es

mucho más difícil de detectar con la distancia y el humo varía sus

propiedades haciendo necesario algoritmos diferentes a los de la

detección cercana.

El objetivo de este trabajo ha sido diseñar un algoritmo para la

detección de incendios forestales utilizando cámaras terrestres estáticas.

Para el diseño se ha testeado tanto la búsqueda de patrones de fuego

como la de patrones de humo.


La detección de fuego mediante cámaras terrestres se pude se puede

hacer con cámaras infrarrojas o con cámaras de espectro visible. La

detección infrarroja no ha podido ser analizada ya que se carece de una

base de datos pero la detección por espectro visible sí.

La detección de fuego mediante cámaras en el espectro visible se

puede hacer de forma muy rápida utilizando el valor que toman los

pixeles en el espacio de color HSV. La detección no es perfecta pero

permite detectar de forma muy rápida los elementos que son susceptibles

de ser fuego. El principal problema en la detección de incendios forestales

mediante la búsqueda de patrones de fuego es que cuando el fuego es

visible, el incendio forestal se encuentra en una fase muy avanzada.

La detección de humo permite detectar un incendio forestal en sus

fases más primarias, pero su diseño es complejo. El algoritmo de

detección de humo en este proyecto se basa en una sustracción de fondo,

seguido de la eliminación de elementos de movimiento rapido, una

detección del color y un análisis por componentes conexas.

El primer paso para la detección de humo es la sustracción de fondo y

consiste en separar los elementos nuevos que aparecen en una secuencia

(primer plano) de aquellos que sean recurrentes (fondo). Hay distintas

implementaciones pero la que mejor resultados ha dado es el algoritmo

de Stauffer Grimson ya que permite modelar fondo complejos con

elementos móviles.

La sustracción de fondo da una primera aproximación a la detección

pero en una secuencia hay muchas más elementos móviles además del

humo. Para conseguir diferenciar el humo de otros elementos móviles

primeramente se excluyen aquellos que se muevan rápido.

Para descartar movimientos rápidos se han testeado diferentes

técnicas: como aplicar la sustracción de fondo una secuencia previamente

filtrada temporalmente por mediana. Pero la técnica que ha dado mejores

resultados ha sido eliminar las detecciones que no se producen de forma

continuada

Mediante el filtraje de elementos rápidos se excluyen muchas

detecciones de primer plano como coches en circulación pero se detectan

aún falsas alarmas. Para diferenciar el humo de otros elementos se busca

si la detección sigue los patrones de color del humo.

Para determinar los patrones de color del humo se han testeado

diferentes parámetros sobre una base de datos con humo y el método de


validación leave-one-out. Con esta metodología se ha llegado a la

conclusión que los patrones más característicos del humo son su color

normalizado RGB y la distorsión de brillo respecto su color de fondo.

La detección por color funciona muy bien sobre los videos que se

poseen en la base de datos, pero en todas secuencias disponibles los

incendios son provocados y existe la duda de si un humo de un incendio

real tendría el mismo color. Se recomienda testear más el color mediante

una base de datos con incendios no provocados.

La etapa final en la detección de humo analiza el área que ocupa la

detección, mediante un análisis por componentes conexas; a partir de

cierto umbral, se considera que una detección puede ser considerada

humo. El umbral es fijo, pero si se dispusiera de información de la

distancia a la cámara en la escena se podría hacer un umbral variable en

función de la posición de la cámara.

Finalmente, en el algoritmo de detección de humo se ha elaborado una

etapa de realimentación en la que se evita que el humo sea aprendido

como fondo, y con ella finaliza el algoritmo de detección de humo.

Con la base de datos que se dispone los resultados obtenidos son

buenos aunque se podrían mejorar con un aprendizaje de fondo más

completo, un análisis de la evolución de la forma de las detecciones y

umbrales ajustados a escalas de riesgo, sin embargo para aplicar estos

avances se necesitaría una base de datos más completa.


6 Anexo: Entrevista a un vigía

forestal.

Como parte del trabajo se entrevistó a Eduardo Gonzalez Castel que

colabora con la Diputación de Barcelona en la detección de incendios

forestales durante el verano. Como anexo al trabajo se incluye la

entrevista realizada:

Hola Eduard, ¿te puedes presentar?

Hola, soy Eduard Gonzalez Castel, terrassense y estudio ingeniería.

Desde hace cuatro años trabajo para el PVI (Plà de Vigilancia contra

Incendis) que consiste en un proyecto común del ADF (Agrupació Defensa

Forestal), la Diputación de Barcelona y los ayuntamientos. Yo estoy

asignado a la zona del Vallés Occidental en tareas de detección y

prevención de incendios forestales.

¿Qué es el ADF?

Antes una montaña de varios propietarios, a estos les salía mas a

cuenta compartir gastos para protegerla que no que cada uno mirase por

su terreno. Esta colaboración con el transcurso de los años ha pasado a la

Diputación y la ADF es la herencia. Ahora ya no lo pagan los propietarios

lo pagamos entre todos pero se hace un buen trabajo.

¿Sois los únicos trabajando en detección de incendios forestales en

vuestra zona?

No, trabajando en el bosque hay mucha gente, los ADF nos movemos

buscando incendios fuera de los parques naturales, ya que dentro están

protegidos por los guardas forestales. Los guardas dependen la Diputació

de Barcelona pero además el Departament de Medi Ambient tiene los

Agents Rurals que aplican la legislación del medio natural. Por si no fuera

poco el Departament de Interior tiene Mossos d‟Escuadra y bomberos

especializados para el bosque. Finalmente también hay un cuerpo especial

de la Guardia Civil (SEPRONA).

Esta multiplicación de fuerzas nace el año 1994, ese año quemó media

Cataluña y desde entonces hay muchos efectivos dedicados a la

prevención. Para que te hagas una idea el último año del tripartito se

gastaron 20 millones de euros en prevención y detección, sin tener en

cuenta los gastos de ayuntamientos y Diputaciónes.


¿Cómo os coordináis todos los cuerpos?

El centro de control de Bellaterra (en el parque de bomberos) coordina

todos los miembros de PVI y ADF, observan cámaras repartidas por el

territorio, y contactan con los bomberos u otros cuerpos si es necesario.

En nuestro caso cuando alguien alerta de que ha visto algo, indica en

qué dirección lo ve, en qué punto del mapa cree que está y las

características del área. Esta información es contrastada con otra gente

que pueda estar viendo la misma zona y al confirmar el punto por

triangulación se da el aviso y se envían los bomberos.

¿En qué consiste el trabajo de un miembro del ADF como tú?

Tengo una ruta marcada para hacer en coche y debo estar atento por si

hay incendios forestales. Me paro en zonas adecuadas para vigiar y desde

allí con los prismáticos busco si hay algo extraño, si veo algo sospechoso

lo digo por la radio interna.

¿Cuál es el lugar perfecto para vigiar?

El lugar perfecto no existe, por eso nos vamos moviendo, es imposible

abastar todo el dominio que controlo desde un solo punto. Aún y así hay

algunos puntos mejores, intentamos que sean sitios en la cresta o con

visiones amplias del terreno, pero deben estar limpias de arboles.

Además de árboles que te molesten también se debe tener en cuenta

que puede haber elementos lejanos que también impidan la visión directa.

Este verano se quemaron unas dependencias del Ayuntamiento de

Terrassa dentro de la ciudad, yo estaba en una de los sitios con más

visión de todas, pero aún así el humo me quedaba oculto, avisó un

compañero que veía una columna de humo y desde la central ya

informaron que era fuego urbano, finalmente cuando lo pude ver la

columna era enorme, parecía que media ciudad estuviera en llamas.

¿Las sombras a la visión directa son el principal inconveniente que

tenéis para detectar?

Normalmente si, aunque hay más cosas que te evitan ver el fuego,

incluso a veces hay combustión pero no ves la llama; una vez con una

compañera olíamos el fuego pero no lo veíamos porque era sotobosque

quemándose como el papel o un cigarro, sin llama ni humo.

Otras veces simplemente tienes dificultad de visión. Recuerdo una vez,

en la que avisaron que veían una columna de humo por mi zona, así que


fui a mirar, accedí por la parte más baja del monte y el humo estaba al

otro lado del pico. Era muy difícil ver el humo ya que el cielo te cegaba y

te impedía verlo bien.

¿Cómo son normalmente las columnas de humo?

Se mueven despacio, suben y se disuelven, normalmente con un color

blanco. El tema del color es complicado ya que el vapor de agua es blanco

y el carbono que desprende la vegetación es oscuro, entonces cuando se

quema vegetación el humo es mayoritariamente vapor de agua pero

también hay una parte del carbono desprendido. Un humo demasiado

blanco acostumbra a ser vapor de agua desprendido por industrias, y

cuando la gente quema coches o colchones el humo es totalmente negro.

Determinar si una columna de humo es o no es humo no es tarea fácil,

normalmente primero observas un movimiento sutil que te llama la

atención, a veces detrás hay un elemento gris que no te permite verlo

bien así que debes mirarlo con calma, con ayuda de prismáticos y

observar cómo se mueve, si se tratara de polvo alzado se puede

diferenciar por cómo reacciona al viento, en estos casos la experiencia es

importante.

¿Erráis detectando columnas de humo entonces?

Muchísimo, yo prefiero equivocarme a dejar de avisar pero hay muchos

factores que te confunden. Las chimeneas de las fábricas en los polígonos

industriales por ejemplo, si sólo ves el humo; debes tener experiencia

para ser capaz de no confundirte.

Un buen método cuando dudas es intentar buscar la base, si ves un

bosque debes preocuparte, si ves matorrales te preocupas menos y si es

un descampado probablemente sólo sea tierra que ha levantado el viento.

Yo he visto mangas de tierra como las del mar en descampados.

Recuerdo un caso en las obras de una autopista donde los compañeros

decían que veían una columna de humo en mi zona, pero sólo era tierra

levantada por el viento. Por este motivo siempre es bueno ver la base,

pero si ves el fuego no hay duda.

¿Entonces no siempre se ve el fuego?

Como dice el dicho “donde hay humo hay fuego” pero si ves un fuego

ya vas mal, siempre el humo es la primera indicación que algo va mal.

Normalmente cuando avisas aún no se ve el fuego. Uno de los casos que

más recuerdo fue en un descampado de matorrales, era un día muy seco


y con mucho calor, sabíamos que había riesgo de incendio, pero en todo

el día no pasó nada hasta la tarde. En el descampado de matorrales

empecé a ver un poco de humo y en un momento ya estaba ardiendo, el

fuego empezó a correr sin parar. Afortunadamente una riera actuó como

cortafuegos y no fue a más.

¿Hay escalas de riesgo entonces?

Si, sobre todo nos guiamos por dos: una es un mapa de Cataluña

indicando el riesgo de incendios en cada punto, puede ser bajo, normal,

alto o muy alto; donde estoy yo difícilmente es muy alto pero es alto a

menudo. La otra escala de riesgo la determinan los Agents Rurals y se

determina el riesgo y las actuaciones en cada caso: pueden ser alpha0,

alpha1, alpha2 y alpha3. Los datos son públicos y consultables por

cualquiera.

Por lo que tengo entendido el riesgo viene determinado por lo que se

conoce como el triángulo del fuego compuesto por: el combustible, el

comburente y finalmente la chispa, los tres factores permiten determinar

el riesgo de incendio.

Finalmente, ¿Qué opinas de la detección automática?

Las detecciones automáticas podrían estar bien. La experiencia que

tenemos nosotros difícilmente pude ser substituida por una máquina pero

en sitios como en la central donde hay gente que se pasa 8 horas

mirando pantallas creo que podrían ser de mucha utilidad. Aunque

siempre debería haber una persona para confirmar la alarma final.

Otro caso donde creo que la detección automática puede ser

especialmente útil es en las islas, yo estoy en el Vallés Occidental y si

vemos un incendio a la vez lo confirman desde Montserrat, y desde el

Vallés Oriental y pueden venir bomberos de todos partes, ¿pero qué pasa

en Menorca o las islas griegas? Se trata de áreas grandes como las que

puedo dominar yo pero con muchos menos habitantes y mucha

vegetación; en estos casos se debe extremar la vigilancia y dotar a la

detección de algoritmos automáticos sería una buena estrategia.


7 Referencias

Ajuntament de valencia ; Servicio de bomberos, prevención e

intervención en emergencias. “Pliego de prescipciones técnicas por las

que se rigue la contractación de los trabajos de suministro, instalación y

configuración del sistema de detección precoz de incendios forestales en

el parque natural de la devesa albufera.” Valencia, 2010.

Ambrosia, V. G., et al. “The Ikhana unmanned airborne system (UAS)

western states fire imaging missions: from concept to reality (2006–

2010).” Geocarto International 26, no. 2 (2010).

Arrue, B.C., A. Ollero, and J.R. Matinez de Dios. “An intelligent system

for false alarm reduction in infrared forest-fire detection.” Intelligent

Systems and their Applications, IEEE 15, no. 3 (2000): 64-73.

Bodrozic, Ljiljana, Darko Stipanicev, and Maja Stula. “Agent based data

collecting in a forest fire monitoring system,.” Software in

Telecommunications and Computer Networks, 2006: 326-330.

Bosch, Ignacio, Soledad Gomez, Luis Vergara, and Jorge Moragues.

“Infrared image processing and its application to forest fire surveillance.”

Proceedings of the 2007 IEEE Conference on Advanced Video and Signal

Based Surveillance (AVSS '07). EEE Computer Society, Washington, DC,

USA,, 2007. 283-288.

Bosch, Ignacio, Soledad Gomez, Raquel Molina, and Ramón Miralles.

“Object Discrimination by Infrared Image Processing.” In Bioinspired

Applications in Artificial and Natural Computation, 30-40. Springer Berlin /

Heidelberg, 2009.

Byungrak, Son, Her Yong-sork, and Kim Jung-Gyu. “A Design and

Implementation of Forest-Fires Surveillance System based on Wireless

Sensor Networks for South Korea Mountains.” IJCSNS 6, no. 9 (2006):

124-130.

Cetin, A.Eins. http://www.ee.bilkent.edu.tr/~signal/VisiFire/. 2005.

Chunyu, Yu, Zhang Yongming, Fang Jun, and Wang Jinjun. “Video

smoke recognition based on optical flow.” Advanced Computer Control

(ICACC), 2010 2nd International Conference on . Shenyang , 2010 .


Collins, R. T., A. J. Lipton, and T. Kanade. “A system for video

surveillance and monitoring.” Edited by American Nuclear Society. 8th Int.

Topical Meeting on Robotics and Remote Systems. 1999.

Darko Stipaničev, Maja Štula, Damir Krstinić, Ljiljana Šerić,Toni

Jakovčević, Marin Bugarić. “Advanced automatic wildfire surveillance and

monitoring network.” VI International Conference on Forest Fire Research.

2010.

Enis Cetin, A., and B. Ugur Toreyin. “Wildfire detection using LMS based

active learning.” Edited by IEEE International Conference on Acoustics.

Speech and Signal Processing. 2009. 1461-1464.

Guillemant, Philippe, and Jérôme Vicente. “Real-time identification of

smoke images by clustering motions on a fractal curve with a temporal

embedding method.” Opt. Eng. 40, no. 554 (2001).

Gunay, Osman, Kasim Tasdemir, B. Ugur Toreyin, and A. Enis Cetin.

“Video based wildfire detection at night.” Fire Safety Journal 44, no. 6

(2009): 860-868.

Horprasert, Thanarat, David Harwood, y Larry S. Davis. «A Statistical

Approach for Real-time Robust Background Subtraction and Shadow

Detection.» 1999: 1-19.

Koller, D., y otros. «Towards Robust Automatic Traffic Scene Analysis in

Real-Time.» Pattern Recognition 1 (Octubre 1994): 126-161.

Kontoes, Charalabos, Iphigenia Keramitsoglou, Nicolaos Sifakis, and

Pavlos Konstantinidis. “SITHON: An Airborne Fire Detection System

Compliant with Operational Tactical Requirements.” Sensors 9, no. 9

(2009): 1204-1220.

Li, Z., S. Nadon, and J. Cihlar. “Satellite-based detection of Canadian

boreal forest fires: development and application of the algorithm.”

International Journal of Remote Sensing 21, no. 16 (2000): 3057-3069 .

Liu, Che-Bin, and Narendra Ahuja. “Vision Based Fire Detection.” In

Proceedings of the Pattern Recognition, 17th International Conference on

(ICPR'04) Volume 4 - Volume 04. Washington, DC, USA: IEEE Computer

Society, 2004.

Lloret, Jaime, Miguel Garcia, Diana Bri, and Sandra. Sendra. “A

Wireless Sensor Network Deployment for Rural and Forest Fire Detection

and Verification.” Sensors 9, no. 11 (2009): 8722-8747.


Martinez-de Dios, J. R., and A. Ollero. “Automatic treshold selection for

infrared images of fire.” Forest fire research and wildland fire safety:

Proceedings of IV International Conference on Forest Fire Research 2002

Wildland Fire Safety Summit. Luso, Coimbra, Portugal, 2002.

Ministerio de Agricultura y medio ambiente. Incendios forestales en

España 1 enero - 31 diciembre 2011. Avance informativo, 2011.

OLLERO, Collective work moderated by J.R. Martinez DE DIOS and

Anibal. “Infrared camaras procedure for collecting and analysing data.”

(EUFIRELAB).

Pastor Llorens, E., P. Royo Chic, J. López, C. Barrado, E. Santamaria,

and X. Prats Menéndez. “Project SKY-EYE: applying UAVs to forest fire

fighter support and monitoring.” Edited by 2007 Unmanned Vehicle

Systems International. UAV 2007 Conference & Exhibition. Paris.

Pastor, E., M. Sole, J. Lopez, P. Royo, and C. Barrado. “Helicopter-

based wildfire monitoring system software architecture.” Aerospace

Conference, 2010 IEEE . Big Sky, MT , 2010 .

Phillips, Walter, Mubarak Shah, and Niels da Vitoria Lobo. “Flame

recognition in video.” Springer Berlin / Heidelberg 23, no. 1-3 (2002).

Rodriguez silva, Francisco, and Amador Moreno Robles. “The infrared

imager: its use for wildland fire monitoring.” EUFIRELABS 09, no. 04

(Enero 2006).

Sahin, Yasar G. “Animals as mobile biological sensors for forest fire

detection.” Sensors 7, no. 12 (2007): 3084-3099.

San-Miguel-Ayanz, Jesus, and Nicolas Ravail. “Active Fire Detection for

Fire Emergency Management: Potential and Limitations for the

Operational Use of Remote Sensing.” Natural Hazards (Springer

Netherlands) 35, no. 3 (07 2005): 361-376.

Stauffer, Chris, y W.E.L Grimson. «Adaptative background mixture

models for real-time tracking.» Computer vision and Pattern Recognition,

Junio 1999: 246-252.

Töreyin, B Uğur, Yiğithan Dedeoğlu, Uğur Güdükbay, and A Enis Çetin.

“Computer vision based method for real-time and flame detection.” 27,

no. 1 (2006): 49-58 .


Tsiourlis, Georgios, Stamatis Andreadakis, and Pavlos. Konstantinidis.

“SITHON: A Wireless Network of in Situ Optical Cameras Applied to the

Early Detection-Notification-Monitoring of Forest Fires.” Sensors 9, no. +

(2009): 4465-4482.

Ugur Töreyin, B, and A Enis Çetin. “WAVELET BASED REAL-TIME

SMOKE DETECTION IN VIDEO.”

Ugur Töreyin, B., and A. Enis Çetin. “Flame detection in video using

hidden markov models.” In Proceedings of the IEEE International

Conference on Image Processing, 2005: 1230--1233.

Uğur Töreyin, Behcet, Ramazan Gökberk Cinbiş, Yiğithan Dedeoğlu, and

Ahmet Enis Çetin. “Fire detection in infrared video using wavelet

analysis.” Opt. Eng. 46 (2007).

Utkin, Andrei B., Armando Fernandes, Fernando Simões, Alexander

Lavrov, and Rui Vilar. “Feasibility of forest-fire smoke detection using

lidar.” Wildland fire 12, no. 2: 159-166.

Vágvölgyi, Balázs. “Application of Panoramic Annular Lens for Motion

Analysis Tasks: Surveillance and Smoke Detection.” ICPR '00 Proceedings

of the International Conference on Pattern Recognition 4 .

Vicente, Jerome, and Philippe Guillemant. “An image processing

technique for automatically detecting forest fire.” International Journal of

Thermal Sciences 41, no. 12 (2002): 1113 - 1120.

Viegas, D. X., et al. “Acoustic and thermal characterization of a forest

fire event.” 2008.

Wern, Crhistopher Richard, Ali Azarbayejani, Trevor Darell, y Alex Paul

Pentland. «Pfinder: Real-time Tracking of the human body.» IEEE

TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE

19, nº 7 (Julio 1997).

Xiong, Ziyou, Rodrigo Caballero, Hongcheng Wang, Alan M. Finn,

Muhidin A. Lelic, and Pei-Yuan Peng. “Video-based Smoke Detection:

Possibilities,Techniques, and Challenges.”

Documents

PROYECTO FINAL DE CARRERAupcommons.upc.edu/bitstream/handle/2099.1/15216/Memoria.pdf · PROYECTO FINAL DE CARRERA Sistema de detección de incendios forestales utilizando técnicas